似乎每次你轉過身，有人都在談論人工智能和機器學習的重要性，“加州大學圣地亞哥分校醫學院和摩爾癌癥中心教授Trey Ideker博士說。“但所有這些系統都是所謂的”黑匣子“。它們可以非常具有預測性，但我們實際上并不了解它們的工作方式。“

Ideker舉了一個例子：機器學習系統可以分析數百萬人的在線行為，將個人標記為潛在的“恐怖分子”或“自殺風險”。“但我們不知道機器如何得出這個結論，”他說。

為了使機器學習在醫療保健中變得有用和值得信賴，Ideker說，從業者需要打開黑匣子并了解系統如何做出決定。

機器學習系統建立在人工神經元層上，稱為神經網絡。這些層通過神經元之間看似隨機的連接而連接在一起。系統通過微調這些連接來“學習”。

在最近發表在Nature Methods上的一項研究中，Ideker的研究團隊最近開發了他們所謂的“可見”神經網絡，并用它來構建DCell，這是一種功能正常的啤酒酵母細胞模型，通常用作基礎研究的模型。為此，他們在一個地方積累了細胞生物學的所有知識，并創建了這些細胞成分的層次結構。然后他們將標準機器學習算法映射到該知識庫。

但最令Ideker興奮的是DCell不是黑盒子;這種聯系并不是一個謎，也不能通過偶然事件來形成。相反，“學習”僅由現實世界的細胞行為和約2,500個已知細胞成分編碼的約束引導。該團隊輸入有關基因和基因突變的信息，DCell預測細胞行為，如生長。他們對數百萬基因型的DCell進行了培訓，發現虛擬細胞可以模擬細胞生長，幾乎與實驗室培養的真細胞一樣準確。

“人類的知識是不完整的，”思科的實驗室助理研究科學家馬建柱博士說，他領導了建立DCell的工作。“我們希望完成這些知識，以幫助指導醫療保健和其他方面的預測。”

Ideker和Ma也對DCell進行了測試。如果他們故意給系統提供虛假信息，那就不行了。以核糖體為例。細胞利用這些微小的生物機器將遺傳信息轉化為蛋白質。但是，如果研究人員將核糖體連接到一個不相關的過程，如細胞凋亡，系統細胞就會自殺，DCell就無法預測細胞的生長。虛擬小區“知道”新的安排在生物學上是不可能的。

Ideker和他的共同指導的癌細胞地圖計劃的同事現在正在產生他們為人類癌癥建立DCell所需的一些實驗數據。然后，他們將確定如何最好地個性化這種虛擬細胞方法，以獲得患者獨特的生物學。

“我們希望有一天能夠輸入您特定的癌癥相關基因突變，并獲得有關癌癥侵襲性的最新信息，以及預防其生長和轉移的最佳治療方法，”Ideker說，他也是加州大學圣地亞哥分校計算生物學和生物信息學中心。