可以訓(xùn)練人工智能 (AI) 學(xué)習(xí)機(jī)器自行解決問題和難題，而不是使用我們?yōu)樗鼈冎贫ǖ囊?guī)則。但通常，研究人員不知道機(jī)器為自己制定什么規(guī)則。冷泉港實(shí)驗(yàn)室 (CSHL) 助理教授 Peter Koo 開發(fā)了一種新方法，可以對(duì)機(jī)器學(xué)習(xí)程序進(jìn)行測(cè)驗(yàn)，以找出它自己學(xué)習(xí)的規(guī)則以及它們是否正確。

冷泉港實(shí)驗(yàn)室助理教授 Peter Koo 與研究生 Shushan Toneyan 在他的實(shí)驗(yàn)室。Koo 的團(tuán)隊(duì)研究稱為深度神經(jīng)網(wǎng)絡(luò) (DNN) 的機(jī)器學(xué)習(xí) AI 如何工作。他開發(fā)了一種新方法來研究這些 DNN 如何學(xué)習(xí)和預(yù)測(cè) RNA 序列中某些模式的重要性。

計(jì)算機(jī)科學(xué)家通過向 AI 機(jī)器提供一組數(shù)據(jù)來“訓(xùn)練”它進(jìn)行預(yù)測(cè)。機(jī)器根據(jù)在訓(xùn)練過程中遇到的信息提取一系列規(guī)則和操作——一個(gè)模型。Koo 說：

“如果你學(xué)習(xí)數(shù)學(xué)的一般規(guī)則而不是記住方程式，你就會(huì)知道如何解出這些方程式。因此，與其只是記住這些方程，我們希望這些模型正在學(xué)習(xí)解決它，現(xiàn)在我們可以給它任何方程，它會(huì)解決它。”

Koo 開發(fā)了一種稱為深度神經(jīng)網(wǎng)絡(luò) (DNN)的人工智能， 用于尋找 RNA 鏈中的模式，以增加蛋白質(zhì)與其結(jié)合的能力。Koo 訓(xùn)練了他的 DNN，稱為 Residual Bind (RB)，使用與蛋白質(zhì)結(jié)合分?jǐn)?shù)匹配的數(shù)千個(gè) RNA 序列，RB 變得擅長(zhǎng)預(yù)測(cè)新 RNA 序列的分?jǐn)?shù)。但 Koo 不知道機(jī)器是否專注于人類可能期望的一小段 RNA 字母序列(一個(gè)基序)，或者他們可能不會(huì)期望的 RNA 鏈的其他一些次要特征。

Koo 和他的團(tuán)隊(duì)開發(fā)了一種稱為全局重要性分析的新方法，以測(cè)試 RB 生成的規(guī)則來進(jìn)行預(yù)測(cè)。他向訓(xùn)練有素的網(wǎng)絡(luò)展示了一組精心設(shè)計(jì)的合成 RNA 序列，其中包含科學(xué)家認(rèn)為可能會(huì)影響 RB 評(píng)估的基序和特征的不同組合。

他們發(fā)現(xiàn)該網(wǎng)絡(luò)不僅僅考慮短主題的拼寫。它考慮了 RNA 鏈如何折疊并與自身結(jié)合、一個(gè)基序與另一個(gè)基序的接近程度以及其他特征。

Koo 希望在實(shí)驗(yàn)室測(cè)試一些關(guān)鍵結(jié)果。但是，Koo 的新方法不是測(cè)試該實(shí)驗(yàn)室中的每一個(gè)預(yù)測(cè)，而是像一個(gè)虛擬實(shí)驗(yàn)室。研究人員可以通過計(jì)算設(shè)計(jì)和測(cè)試數(shù)百萬個(gè)不同的變量，遠(yuǎn)遠(yuǎn)超過人類在現(xiàn)實(shí)實(shí)驗(yàn)室中測(cè)試的能力。

“生物學(xué)是超級(jí)軼事。你可以找到一個(gè)序列，你可以找到一個(gè)模式，但你不知道“那個(gè)模式真的很重要嗎?” 你必須做這些介入性實(shí)驗(yàn)。在這種情況下，我所有的實(shí)驗(yàn)都是通過詢問神經(jīng)網(wǎng)絡(luò)來完成的。”

標(biāo)簽：