據主要新聞來源稱，人工智能（AI）在當今世界隨處可見，其本身越來越多地受到計算機算法的驅動。營銷人員利用人工智能來定位廣告，工程師利用它來預測設備故障，而人工智能驅動的社交媒體平臺對從時尚到政治的方方面面都產生了巨大的影響。
盡管所有類型的人工智能（也被稱為機器學習）都需要編程讓計算機從案例中學習并做出推斷，但業內人士可以區分不同形式的人工智能。在更廣泛的人工智能領域中，有一部分策略采用了人工神經網絡。它們模仿生物大腦，程序元素像神經元一樣相互連接。在神經網絡上運行的機器學習算法通常被稱為深度學習系統，以將它們與其他方法（例如統計相關性）區分開來。
如今，科學家們部署了各種類型的人工智能來挖掘海量數據，這些數據的來源從高通量DNA和RNA測序到大量電子病歷。這些努力的樣本揭示了廣泛的策略和應用，并強調了在研究中使用人工智能的潛力和挑戰。
遺傳學的新面孔
一些將機器學習應用于科學問題的軟件開發者最初是為社交媒體公司工作的。例如，現在支持Facebook自動照片標記功能的算法的創造者在過去幾年里一直專注于一個略有不同的圖像處理問題：從面部特征識別罕見的遺傳疾病。
“實際上，大約一半的遺傳疾病都有非常獨特的面部特征，”位于馬薩諸塞州波士頓的表型應用公司FDNA的首席執行官Dekel Gelbman說。雖然大多數人可以識別唐氏綜合癥患者的獨特特征，但經過專門訓練的人類遺傳學家也能從面部特征中找出數千種其他不太常見的情況。這種類型的診斷依賴于豐富的經驗，但由于許多遺傳疾病的罕見性，很難獲得經驗。“少數非常有經驗的遺傳學家（有時也稱自己為畸形學家）能夠非常快速地觀察患者并說，‘我以前見過類似的事情，’”Gelbman說。
Gelbman和他的同事們利用精心整理的照片集，訓練了一種機器學習算法，根據診斷特征對人臉進行分組。該技術的當前迭代使用了深度學習系統，FDNA已經在同一個框架上為不同的用戶構建了多個智能手機應用程序。醫生可以將一款應用程序帶進診所，在那里他們可以用手機的攝像頭給患者拍照，并立即從應用程序中獲得診斷建議。論壇應用程序允許他們與專家討論這些診斷，而圖書館應用程序則提供相關文獻。其他應用程序允許醫學教育者和研究人員訪問相同的算法。
雖然大多數個體遺傳疾病很罕見，但它們的集體影響很大：估計有10%的兒童出生時就患有一種罕見的遺傳疾病，嚴重到足以影響他們的生活質量。“平均而言，一名罕見病患者要等待7年半才能得到診斷，這……簡直難以想象，”Gelbman坦言。他希望將畸形學家的工作自動化，以便加快診斷速度。
然而，要做到這一點，FDNA必須克服兩個相關的障礙：（1）醫生不愿依賴他們不了解的技術；（2）政府監管機構對醫療診斷的嚴格標準。兩者都在努力克服當前機器學習系統的不可滲透性。“真的很難去相信人工智能系統，（因為）即使是程序員也很難理解結果的邏輯，”Gelbman說道。開發人員對算法進行訓練和測試，直到得到正確的答案，但這些答案背后的原因常常令人費解。
為了解決這個問題，Gelbman主張提高算法訓練和測試的透明度。他說：“在未來，組織將更加主動地提供數據來源以及用于管理和驗證數據、驗證并為審計提供基準的政策。”就其本身而言，美國食品和藥物管理局（FDA）一直在鉆研人工智能，Gelbman表示，過去一年他們對這項技術的理解有了顯著提高。盡管如此，FDNA迄今仍將其應用程序排除在監管機構的管轄范圍之外，因為它清楚地將其標記為提供建議和參考，而不是明確的診斷。
如果達爾文是計算機科學家
需要更高透明度的不僅僅是醫療診斷工具。“機器學習中的很多方法都是黑箱方法，當你與真正想了解系統是如何工作的生物學家合作時，這就是一個問題，而不僅僅是得到正確的答案；對他們來說，問題變成了‘為什么這個模型會選擇這種特定的解決方案？’”加州圣地亞哥人工智能咨詢公司Natural Selection的首席執行官Gary Fogel表示。
Fogel的公司使用一種至少在原則上應該對生物學家有吸引力的機器學習來構建人工智能系統：進化算法。在這種方法中，問題的候選解決方案被當作群體中的個體一樣對待，適應度函數決定了它們的質量。該系統有選擇地放大較高質量的解決方案，并抑制或消除低質量的解決方案，直到出現最佳解決方案。Natural Selection已經將這種方法應用于從分析基因組數據、篩選候選藥物分子到優化工業流程的方方面面。然而，正如前面提到的，每個解決方案的內在邏輯可能就像一個復雜的有機體一樣難以理解。
該公司通過構建識別系統中顯著特征的算法來彌補這一點。“（我們試圖找到）哪些特征對疾病或結果很重要，并……嘗試著把這些特征簡化成一些有意義的東西，以便生物學家……理解該系統的生物學，”Fogel說。
不過，對于某些研究應用程序來說，不透明的算法不是問題。當研究人員將人工智能作為一種工具來識別有前途的線索時，這一點尤其正確，然后他們會用實驗室實驗來檢查這些線索。“如果你只是想了解基因組學，也許需要的不是一個打開的盒子，”Fogel說道，“如果它仍然準確地預測了microRNA基因的位置，你真的不關心為什么它能正確地預測，只要它正確就行。”
盡管如此，即便是希望將人工智能僅僅作為實驗室工具的研究人員，也需要謹慎選擇他們的算法。“很多人是這個領域的新手，他們正在盡可能地使用開源工具，”Fogel說，“他們并不一定知道如何針對手頭的問題調整這些算法，而且他們沒有意識到你如何表達問題本身很重要。”他敦促處于這種處境的科學家向計算機科學家尋求幫助，其中許多計算機科學家急于將他們的算法設計技能應用到其他領域。
矢量微積分
這種合作可以簡單地通過與同事討論自己的工作而產生。這促使蘇格蘭格拉斯哥大學高級研究員Daniel Streicker將機器學習應用于流行病學中最古老的問題之一：識別病毒載體和儲存宿主。
世界上許多最致命的人類病毒都是人畜共患的，大多數情況下在動物宿主體內復制而未被發現，只是偶爾會傳染給人類。當這些傳染病通過節肢動物媒介在宿主之間傳播時，流行病學家可能要花數十年時間來確定相關的非人類宿主和媒介。然而，近年來，研究人員發現， RNA病毒——最適合在宿主之間跳躍的一類病毒——針對它們主要感染的宿主優化了其基因組的各種特征，包括它們的氨基酸、密碼子和二核苷酸的使用。這意味著在病毒的基因組序列中應該有線索可以暗示其宿主和載體的身份。
作為一名生物學家，Streicker發現這個想法很令人好奇，但不知道該如何繼續下去。“我的同事Simon Babayan在我們研究所舉辦了一場非正式的研討會，討論了他正在應用機器學習方法的各種項目，我突然意識到，這可能是應對這一挑戰的完美方式，”Streicker說。他們與醫學研究委員會—格拉斯哥大學病毒研究中心的生物信息學專家Richard Orton合作，開始構建算法來搜索病毒宿主和載體。
該團隊利用來自具有明確特征生命周期的病毒的基因組序列訓練其機器學習系統，讓它識別出不同序列特征與特定宿主和載體物種之間的相關性。“你只是想找到這些特征的加權組合，以便你能有效地將基因組的特征映射到其來自的宿主。”Streicker表示。
訓練階段結束后，他們在另一組已知宿主的病毒上對其進行測試，以驗證其可靠性。最后，他們為該系統提供了一組對病因學知之甚少的病毒的基因組，并讓它預測病毒的傳播模式。
許多結果證實了現有的理論，但該系統還揭示了一些驚喜。例如，病毒學家認為克里米亞—剛果出血熱病毒主要通過蜱媒傳播，但計算機預測，牲畜之間的直接傳播也可能是主要的感染途徑。該算法還預測，除蝙蝠外，非人靈長類動物可能是埃博拉病毒的重要宿主（1）。
為了優先考慮他們的研究，Streicker的團隊現在希望將同樣的方法應用于宏基因組學項目中涌現的大量新的病毒基因組序列。“我們正在考慮如何使用類似的方法來嘗試預測人類是否會被病毒感染，”Streicker說，“這顯然是一個與監測和公共衛生非常相關的問題，因為現在有太多的病毒正在被發現。”雖然他們最初的工作只專注于單鏈RNA病毒，但他們也希望將該項目擴展到包括其他類型的病毒基因組。
做所有的研究
雖然基因組序列已經成為算法驅動研究的主要焦點之一，但其他海量數據集也已成熟，適用于機器學習。例如，在過去的幾年里，紐約市哥倫比亞大學歐文醫學中心（CUIMC）的研究人員一直在使用各種計算方法來分析海量的電子病歷，同時也在研究生物醫學文獻本身。
后者的努力使許多人稱之為“可重復性危機”的問題引起了人們的關注，即看似有效的不同研究，卻得出相反的結論。觀察性研究尤其成問題，研究人員利用現有的醫療記錄，并追溯性地將患者分為對照組和實驗組。近年來，此類研究的結果顯示，例如，抗抑郁藥會增加或減少自殺的風險，這取決于人們相信哪項研究。CUIMC生物醫學信息學主席George Hripcsak指出，“沒有兩組人選擇相同的變量進行校正，然后他們堅持要求你必須選擇完全正確的變量。”
一個相關的問題是，期刊青睞顯示積極結果的論文，通常基于一個任意的統計標準。Hripcsak自己對文獻的分析表現出了顯著的偏差，已發布的p（概率）值（統計顯著性的衡量標準）的臨界值為0.05。因此，研究人員面臨著選擇變量和統計技術的巨大壓力，這些變量和統計技術將產生可發布的p值，這可能會使他們的分析產生偏差。
為了解決這個問題，Hripcsak和他的同事們把研究設計的工作交給了計算機。在最近的一個項目中，他們利用了包含數以億計個體患者醫療記錄的多個數據庫，并使用一種算法來設計，同時對數據進行所有合理的觀察性研究。針對抑郁癥，該算法確定了6000個潛在的研究假設和超過55000個控制假設，包括17種治療、272對聯合治療和22種結果。該算法在一臺功能強大的計算機上運行了大約一個月，并對不同治療方法的影響進行了5984次估計。每一項結果都符合在頂級同行評審期刊上發表論文的當前方法標準。然而，該團隊看到了令人欣慰的陽性和陰性結果的分布，這表明他們避免了通常的發表偏見（2）。
不過，消除人類偏見并不能自動解決問題。“當我們在這個新領域做研究時，我們不想……對我們試圖阻止的同樣事情感到內疚，因此這就是我們正在研究人工智能可能帶來的導致偏見的特殊因素，”Hripcsak說。和該領域的其他人一樣，他擔心許多機器學習算法的不透明性可能會掩蓋令人不安的錯誤。例如，“經濟因素或其他因素（可能）使某些種族群體在治療中表現不佳，然后系統建議不給予他們這種治療，而實際上這與他們的種族無關，”Hripcsak說。
盡管存在這些障礙，但他和該領域的其他人對人工智能研究的未來持樂觀態度。“我看到一場革命正在發生，這很棒，”Fogel說。■
參考文獻
S. A. Babayan, R. J. Orton, D. G. Streicker, Science 362, 577-580 (2018), https://doi.org/10.1126/science.aap9072.
M. J. Schuemie, P. B. Ryan, G. Hripcsak, D. Madigan,M. A. Suchard, Philos. Trans. Royal Soc. A 376, 20170356 (2018), https://doi.org/10.1098/rsta.2017.0356.
Alan Dove 是馬薩諸塞州的科學作者和編輯。
鳴謝：“原文由美國科學促進會（www.aaas.org）發布在2019 年9月20日《科學》雜志”。官方英文版請見https://www.sciencemag.org/features/2019/09/whenrobots-sleep-do-they-dream-algorithms。