機器學習算法擅長發(fā)現(xiàn)大數(shù)據(jù)內(nèi)的復雜模式，因此研究人員通常利用它們作出預測。如今，科學家正在推動這種新興技術超越發(fā)現(xiàn)相關性，幫助揭開隱藏的因果關系并且驅(qū)動科學發(fā)現(xiàn)。

在美國南佛羅里達大學（USF），研究人員將機器學習技術融合進其研究蛋白質(zhì)的工作。正如他們在美國物理聯(lián)合會（AIP）出版集團所屬《化學物理學報》上所報告的，其面臨的主要挑戰(zhàn)之一是缺少在從分子動力學模擬獲得的數(shù)據(jù)中辨別因果關系的方法。

“蛋白質(zhì)可被看作執(zhí)行一系列任務的納米尺度機器。不過，蛋白質(zhì)何時以及在哪里執(zhí)行特定任務是由細胞通過各種刺激控制的”USF生物物理學系副教授Sameer Varma介紹說，這些刺激同蛋白質(zhì)相互作用，不斷地將其“打開”或者“關閉”，甚至能改變其速度和力量。

在大多數(shù)蛋白質(zhì)中，生物刺激同距離開展相應任務的區(qū)域相對較遠的蛋白質(zhì)位點發(fā)生相同作用，而這需要信號通路。“這種通過遠程控制開啟蛋白質(zhì)的方式被稱為變構(gòu)通路。但具體細節(jié)仍不明確。”Varma表示。

他和同事認為，機器學習方法能發(fā)揮重要作用。“開發(fā)并利用機器學習技術將使我們得以發(fā)現(xiàn)蛋白質(zhì)動力學數(shù)據(jù)中的因果關系，并且最終解決蛋白質(zhì)變構(gòu)效應中一些非常基礎的問題。”Varma介紹說，他們的一個關鍵發(fā)現(xiàn)是在蛋白質(zhì)受刺激部位被啟動的信號似乎在向遠離該位點的地方移動時逐漸變?nèi)酢＿@令人震驚，因為科學家此前并未在蛋白質(zhì)位點之間的熱運動耦合中觀察到這種距離上的依賴性。

該團隊的工作展示了一種機器學習方法被用于辨別數(shù)據(jù)內(nèi)因果關系的方式。此外，Varma表示，“這些數(shù)據(jù)還讓我們得以填補蛋白質(zhì)變構(gòu)效應中的關鍵空白。最終，當我們的方法被應用于很多具有藥物意義的蛋白質(zhì)時，我們期望能發(fā)現(xiàn)更多機械學細節(jié)，以揭示恢復疾病狀態(tài)下蛋白質(zhì)活動的新干預策略”。

未來智能實驗室是人工智能學家與科學院相關機構(gòu)聯(lián)合成立的人工智能，互聯(lián)網(wǎng)和腦科學交叉研究機構(gòu)。

未來智能實驗室的主要工作包括：建立AI智能系統(tǒng)智商評測體系，開展世界人工智能智商評測；開展互聯(lián)網(wǎng)（城市）云腦研究計劃，構(gòu)建互聯(lián)網(wǎng)（城市）云腦技術和企業(yè)圖譜，為提升企業(yè)，行業(yè)與城市的智能水平服務。