研究人員開發能解釋基因組的神經網路，解釋其精確預測的方法
紐約大學（New York University）的電腦科學家團隊開發出一種神經網路，可以解釋其預測方法。這項研究揭示了神經網路的功能，這些神經網路是推動人工智慧和機器學習的引擎，從而揭示了一個在使用者眼中往往被隱藏的過程。這一突破專注於最近幾年變得流行的神經網路的特定用法，即解決復雜的生物學問題。其中之一是研究 RNA 剪接的細節，這也是該研究的重點，RNA 剪接在將訊息從 DNA 轉移到功能性 RNA 和蛋白質產物中扮演著重要角色。
黑盒演算法的問題
紐約大學圖書館數學學院的電腦科學教授奧迪·雷格夫（Oded Regev）說："許多神經網路都是黑盒算法，這些算法無法解釋它們的工作方式，這引發了對其可靠性的擔憂，並對理解基因組編碼的潛在生物過程造成了困難，約束了相關研究的進展。"這項研究的高級作者之一奧迪·雷格夫是紐約大學康拉德數學科學學院（Courant Institute of Mathematical Sciences）的電腦科學教授，該研究論文發表在《美國國家科學院院刊》（Proceedings of the National Academy of Sciences）上。
可解釋神經網路的設計
這項研究的作者之一，Courant 學院的研究員 Susan Liao 和當時的博士生 Mukund Sudarshan 與雷格夫一同開發了一種基於已知的 RNA 剪接的神經網路。具體而言，他們開發了一個模型，這個模型類似於高功率顯微鏡，允許科學家跟蹤並量化 RNA 剪接過程，從輸入序列到輸出剪接預測。
雷格夫指出："透過採用一種'可解釋設計'的方法，我們開發了一個神經網路模型，可以洞察 RNA 剪接這一基因組訊息傳遞的基本過程。"他繼續說："我們的模型顯示，RNA 分子中的一個小的、彎曲的結構可以降低剪接的發生。"研究人員透過一系列實驗取證了他們的模型提供的見解。這些結果與模型的發現一致：每當 RNA 分子彎曲成髮夾狀結構時，剪接過程就會停止，而一旦研究人員破壞這個髮夾結構，剪接過程就會恢復。
突破的意義和應用前景
這項研究的突破性意義在於提供了一種可以解釋其預測方法的神經網路以及對 RNA 剪接這一關鍵過程的深入理解。它不僅有助於解釋基因組的生物學過程，還能最佳化機器學習模型。未來，這種能夠解釋和解構複雜預測的神經網路將在多個領域發揮重要作用，包括醫學、生物學和環境科學。
鑑於神經網路的可解釋性和可信度在現代科學研究中的重要性，這項研究必將對全球科學界產生深遠的影響。它不僅提供了針對神經網路解釋方法的重要突破，還為未來的研究提供了有價值的參考。
總結
紐約大學的電腦科學家團隊開發出一種突破性的神經網路，可以解釋其預測方法，以揭示人工智慧和機器學習的神經網路驅動引擎的功能。這一研究在 RNA 剪接這一生物學問題領域取得了重大突破，並透過可解釋的機器學習方法，提供了對 RNA 剪接過程的深入理解。這項研究的成果不僅對解釋基因組的生物過程具有重要價值，還為未來的機器學習和生物學研究提供了方向。
延伸閱讀
- 蘋果 AI 計劃揭祕：從財報中學到的三件事
- 美國 NASA 向私人太空公司訂購研究，探討火星任務支援角色
- 微軟選擇與 Sanctuary AI 合作進行通用機器人研究
- 前 Snap 研究人員正在利用人工智慧打造下一代 Bitmoji - 輕鬆創作個人化貼圖
- OpenAI 組建新團隊研究兒童安全
- 香港央行表示零售數位貨幣可能增添獨特價值，但仍需進一步調查研究
- 戰時「深偽影片」首次研究揭示其對新聞媒體的影響
- OpenAI 成立團隊研究「災難性」人工智慧風險，包括核威脅
- 研究顯示：不同生物使用相同運動模式，對認知和機器人技術有重大影響
- AI 工具包括 ChatGPT，研究人員證實可以操控並生成惡意程式碼
