研究人員建立了可解釋的基因組學神經網路
引言
紐約大學的一研究小組近日成功創造出一個神經網路，能夠解釋其預測結果的過程。這項工作揭示了神經網路（人工智慧和機器學習的引擎）執行的原理，同時也為人們開啟了一扇積極研究基因組編碼相關生物學過程的大門。這項突破性研究的重點是特定型別的神經網路，它們適用於解決現今當下面臨的複雜生物學問題。其中一個例子是研究 RNA 剪接過程的複雜性，而這正是該研究的核心。
神經網路的隱蔽性問題
許多神經網路被稱之為"黑盒子"，這是因為這些算法不能解釋其工作原理，這一點讓人對它們的可靠性產生疑慮，同時也阻礙了我們理解基因組編碼的學術進展。這次研究解決的問題就是如何設計一個可解釋的神經網路，可以在準確預測複雜結果的同時解釋其預測過程。
解決方案：模擬 RNA 剪接
研究團隊根據對 RNA 剪接已有的知識，建立了一個基於神經網路的模型。這個模型等同於一個資料驅動的高功率顯微鏡，能夠幫助科學家追蹤並量化 RNA 剪接的過程，從輸入序列到輸出剪接預測。
研究團隊的研究人員，包括紐約大學 Courant 數學科學研究所的電腦科學教授 Oded Regev 以及 Courant 研究員 Susan Liao 和當時的博士生 Mukund Sudarshan，在該模型中嵌入了一種稱為"可解釋設計"的方法。他們的模型揭示了 RNA 剪接過程中微小毛狀結構的影響，該結構可以阻止剪接的進行。透過破壞這種毛狀結構，剪接過程得以恢復。
實驗取證
研究人員透過一系列實驗取證了他們的模型提供的洞見，這些實驗結果與模型的探索相吻合。當 RNA 分子折疊成毛狀結構時，剪接過程被停止，而當研究人員破壞這種毛狀結構時，剪接又恢復了。
結論
這項研究的意義在於其成功創造了一個可解釋的基因組學神經網路，並在研究 RNA 剪接的領域中獲得了實驗取證。這一突破性研究對於我們理解基因組編碼的生物學過程具有重大意義。未來，這種解釋性的神經網路模型可能被廣泛應用於其他複雜的生物過程的研究中。
編者的評論
這項研究提供了一個有力的工具，能夠幫助科學家更好地理解基因組編碼的生物學過程。神經網路的可解釋性是這一領域的一大突破，它為我們的基礎研究提供了一個強大的工具。未來，我們可以期待使用這種解釋性神經網路模型進行更多的生物學研究，從而更好地理解生命的奧祕。
對於學術界和科學家的建議
基因組學是當今科學研究的一個關鍵領域，對於我們理解生命這一基本現象具有重大意義。我們建議學術界和科學家們關注這項突破性的研究成果，並將可解釋的神經網路模型應用於更廣泛的生物學領域。這將有助於解開生物學之謎，驅動科學的前進。
原文網址：https://techxplore.com/news/2023-10-neural-network-genomics-accurate.html
延伸閱讀
- 研究人員利用 NPR 週日謎題測試 AI 推理能力的創新方法
- 「突破性發展！研究人員以不到 50 美元打造 OpenAI 的競爭對手」
- Google 重組團隊進軍 DeepMind，力推研究轉化為開發的速度！
- 「OpenAI Whisper 轉錄工具遭質疑：研究人員揭祕其幻覺問題！」
- 即便最強 AI 模型也頻繁「幻覺」，研究揭示真相！
- 家用機器人竟成間諜？研究揭露 Ecovacs 漏洞讓隱私暴露！
- 科技報導：人類太空飛行研究迎來新時代
- 「研究發現 AI 模型對爭議性議題持有相對立的觀點」
- LanceDB 攜手 Midjourney 開發多模式 AI 資料庫
- Google Deepmind 推出巨大的 AlphaFold 更新和免費蛋白質組學服務網路應用程式
