美國研究人員開發(fā)出一種過程可獲取的深度學習計算機新算法，能夠揭示細胞的內(nèi)部活動。

人工智能可以執(zhí)行多種通常需要人類完成的復雜任務，比如面部識別、語言翻譯和玩游戲。深度學習網(wǎng)絡也稱人工神經(jīng)網(wǎng)絡，它們越來越多地被用于生物數(shù)據(jù)分析自動化。

深度學習模型的一個挑戰(zhàn)是它們的“黑箱”性質(zhì)，也就是說無法輕易鑒定一個模型執(zhí)行某項任務時的過程。在生物應用方面，調(diào)查深度學習模型如何識別和處理所分析的數(shù)據(jù)的能力或許可以幫助研究者更好地理解這些數(shù)據(jù)背后的生物學。

來自 d-cell.ucsd.edu 的網(wǎng)站截圖，研究人員可以使用加州大學圣迭戈醫(yī)學院開發(fā)的一種新型虛擬酵母細胞 DCell。

加州大學圣地亞哥分校 的 Trey Ideker 及同事通過將一個深度學習算法的結(jié)構(gòu)映射在已知細胞內(nèi)分子系統(tǒng)的結(jié)構(gòu)上，創(chuàng)建了一個“可視的”人工神經(jīng)網(wǎng)絡——虛擬酵母細胞 DCell。

DCell模型是將模型內(nèi)部運作與真實系統(tǒng)的內(nèi)部運作耦合在一起，是一種嵌入2526個包含真核細胞子系統(tǒng)的分層結(jié)構(gòu)的可見神經(jīng)網(wǎng)絡（http://d-cell.ucsd.edu/）。經(jīng)過數(shù)百萬種基因型的訓練驗證，DCell幾乎能夠與實驗室觀察到的一樣準確模擬細胞生長。在模擬過程中，基因型會誘導子系統(tǒng)的活動模式，從而能夠?qū)蛐?- 表型關聯(lián)的分子機制進行計算機研究。通過統(tǒng)計，484個子系統(tǒng)（21％）捕獲了80％的重要增長預測，可以反映復雜表型的出現(xiàn)。 DCell為解碼疾病遺傳學，耐藥性和合成生命提供了基礎。

研究人員表示，一旦模型完成訓練，它便能夠預測遺傳變化的生理影響。此外，由于模型的組分均可獲取，它也能讓科學家更好地理解基因與生理特征關系背后的機制。研究人員指出，一個可視的神經(jīng)網(wǎng)絡可以被用于理解遺傳邏輯，鑒定哪些分子系統(tǒng)對特定生理特征有重要影響，以及發(fā)現(xiàn)細胞中的新過程。