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。深度學習網絡也稱人工神經網絡，它們越來越多地被用于生物數據分析自動化。

深度學習模型的一個挑戰(zhàn)是它們的“黑箱”性質，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，調查深度學習模型如何識別和處理所分析的數據的能力或許可以幫助研究者更好地理解這些數據背后的生物學。

來自 d-cell.ucsd.edu 的網站截圖，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構映射在已知細胞內分子系統(tǒng)的結構上，創(chuàng)建了一個“可視的”人工神經網絡——虛擬酵母細胞 DCell。

DCell模型是將模型內部運作與真實系統(tǒng)的內部運作耦合在一起，是一種嵌入2526個包含真核細胞子系統(tǒng)的分層結構的可見神經網絡（http://d-cell.ucsd.edu/）。經過數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，從而能夠對基因型 - 表型關聯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。 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，一個可視的神經網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)現細胞中的新過程。