人工智能:可视化深度学习研究基因如何影响生理特征

美国研究人员开发出一种过程可获取的深度学习计算机新算法，能够揭示细胞的内部活动。

人工智能可以执行多种通常需要人类完成的复杂任务，比如面部识别、语言翻译和玩游戏。深度学习网络也称人工神经网络，它们越来越多地被用于生物数据分析自动化。

深度学习模型的一个挑战是它们的“黑箱”性质，也就是说无法轻易鉴定一个模型执行某项任务时的过程。在生物应用方面，调查深度学习模型如何识别和处理所分析的数据的能力或许可以帮助研究者更好地理解这些数据背后的生物学。

来自 d-cell.ucsd.edu 的网站截图，研究人员可以使用加州大学圣迭戈医学院开发的一种新型虚拟酵母细胞 DCell。

加州大学圣地亚哥分校 的 Trey Ideker 及同事通过将一个深度学习算法的结构映射在已知细胞内分子系统的结构上，创建了一个“可视的”人工神经网络——虚拟酵母细胞 DCell。

DCell模型是将模型内部运作与真实系统的内部运作耦合在一起，是一种嵌入2526个包含真核细胞子系统的分层结构的可见神经网络（http://d-cell.ucsd.edu/）。经过数百万种基因型的训练验证，DCell几乎能够与实验室观察到的一样准确模拟细胞生长。在模拟过程中，基因型会诱导子系统的活动模式，从而能够对基因型 - 表型关联的分子机制进行计算机研究。通过统计，484个子系统（21％）捕获了80％的重要增长预测，可以反映复杂表型的出现。 DCell为解码疾病遗传学，耐药性和合成生命提供了基础。

研究人员表示，一旦模型完成训练，它便能够预测遗传变化的生理影响。此外，由于模型的组分均可获取，它也能让科学家更好地理解基因与生理特征关系背后的机制。研究人员指出，一个可视的神经网络可以被用于理解遗传逻辑，鉴定哪些分子系统对特定生理特征有重要影响，以及发现细胞中的新过程。