【MIT博士论文】解开自然的复杂性:加速生命科学的机器学习，272页pdf

生物过程的基本理解是现代医学和技术的主要支柱之一。生物机制是复杂的随机系统，尽管经过了几个世纪的严格科学研究，但我们对其仍知之甚少。近年来，机器学习（ML）已成为识别复杂数据集中感兴趣模式的强大框架。然而，在生命科学的广泛背景下，这类方法的影响仍然有限**。本研究旨在优化机器学习的实用性，加速基本生物问题的研究**。首先，我们提出从孤立的数据策划转向大规模多用途队列的范式转变，即使在人类实验最严格的情况下也是如此。通过Brain TreeBank（一种与颅内神经记录对齐的自然语言多模态数据集）揭示了这种方法的潜力。TreeBank提供了探测语言环境依赖性和大脑中表征的时空动态所需的分辨率和广度。其次，我们主张机器学习可解释性对加速生物学理解的重要性。我们开发了一种可解释的通用工具，用于在多个分辨率下建模离散随机过程并估计输出确定性。我们通过在整个癌症基因组中建模体细胞突变模式来展示该方法的实用性，并将其扩展到37种癌症的突变率图谱。该方法的置信区间和增加的敏感性确定了可能驱动编码和非编码区基因组癌症生长的突变集。总之，这项研究展示了计算方法如何克服生物数据中独特的挑战以及生物问题如何推动计算方法的发展。