似乎每次你转过身，有人都在谈论人工智能和机器学习的重要性，“加州大学圣地亚哥分校医学院和摩尔癌症中心教授Trey Ideker博士说。“但所有这些系统都是所谓的”黑匣子“。它们可以非常具有预测性，但我们实际上并不了解它们的工作方式。“

Ideker举了一个例子：机器学习系统可以分析数百万人的在线行为，将个人标记为潜在的“恐怖分子”或“自杀风险”。“但我们不知道机器如何得出这个结论，”他说。

为了使机器学习在医疗保健中变得有用和值得信赖，Ideker说，从业者需要打开黑匣子并了解系统如何做出决定。

机器学习系统建立在人工神经元层上，称为神经网络。这些层通过神经元之间看似随机的连接而连接在一起。系统通过微调这些连接来“学习”。

在近发表在Nature Methods上的一项研究中，Ideker的研究团队近开发了他们所谓的“可见”神经网络，并用它来构建DCell，这是一种功能正常的啤酒酵母细胞模型，通常用作基础研究的模型。为此，他们在一个地方积累了细胞生物学的所有知识，并创建了这些细胞成分的层次结构。然后他们将标准机器学习算法映射到该知识库。

但令Ideker兴奋的是DCell不是黑盒子;这种联系并不是一个谜，也不能通过偶然事件来形成。相反，“学习”仅由现实世界的细胞行为和约2,500个已知细胞成分编码的约束引导。该团队输入有关基因和基因突变的信息，DCell预测细胞行为，如生长。他们对数百万基因型的DCell进行了培训，发现虚拟细胞可以模拟细胞生长，几乎与实验室培养的真细胞一样准确。

“人类的知识是不完整的，”思科的实验室助理研究科学家马建柱博士说，他领导了建立DCell的工作。“我们希望完成这些知识，以帮助指导医疗保健和其他方面的预测。”

Ideker和Ma也对DCell进行了测试。如果他们故意给系统提供虚假信息，那就不行了。以核糖体为例。细胞利用这些微小的生物机器将遗传信息转化为蛋白质。但是，如果研究人员将核糖体连接到一个不相关的过程，如细胞凋亡，系统细胞就会自杀，DCell就无法预测细胞的生长。虚拟小区“知道”新的安排在生物学上是不可能的。

Ideker和他的共同指导的癌细胞地图计划的同事现在正在产生他们为人类癌症建立DCell所需的一些实验数据。然后，他们将确定如何地个性化这种虚拟细胞方法，以获得患者独特的生物学。

“我们希望有一天能够输入您特定的癌症相关基因突变，并获得有关癌症侵袭性的新信息，以及预防其生长和转移的佳治疗方法，”Ideker说，他也是加州大学圣地亚哥分校计算生物学和生物信息学中心。