人工智能预测蠕虫行为的动态
- 一种新的机器学习算法可以准确预测蛔虫的行为。
- 它分析了秀丽隐杆线虫对激光刺激的反应。
- 该算法可以找到更复杂系统的精确且可解释的模型。
近几十年来，定量生物学的进步使科学家能够精确测量复杂生物系统响应扰动的动力学。
例如，秀丽隐杆线虫（一种长约 1 毫米的透明蛔虫）对刺激的完全逃逸行为可以在数秒内测量到。
最近，亚利桑那州立大学和多伦多大学的生物物理学家开发了一种人工智能工具来模拟蠕虫逃逸和感知疼痛的动力学。该工具使用机器学习方法准确预测蠕虫的行为。
在生物学上，所有这些预测都是有道理的，并且它们已经通过对秀丽隐杆线虫进行的实验获得的数据进行了验证。
机器学习方法基于 2015 年开发的算法：它搜索构成复杂生物系统基础的特定规律。该团队以著名物理学家艾萨克·牛顿爵士的名字将这种算法命名为“艾萨克爵士”。虽然牛顿运动定律显示了机械系统的动力学，但该算法对生命系统做了类似的事情。
秀丽隐杆线虫实验
在这项研究中，研究人员分析了秀丽隐杆线虫的决策能力：它们如何对感官刺激做出反应。秀丽隐杆线虫是一种标准的实验动物模型系统，自1970年代以来被广泛用作模型生物。
参考：PNAS | doi:10.1073/pnas.1816531116 |埃默里健康科学
与人类一样，秀丽隐杆线虫有一个树突，从细胞延伸到收集神经递质，并延伸到大脑以在神经元之间建立突触连接。它只有 302 个神经元和有限的一组动作。
秀丽隐杆线虫 |图片来源：genome.gov
研究小组通过向每条秀丽隐杆线虫头部照射激光来中断其向前运动。每个蠕虫的反应都不同。一些人在做出反应之前停顿了一小段时间，而另一些人则在激光刺激下迅速改变了方向。但有一个共同点：所有的蠕虫对更热的温度（强激光）反应迅速。
艾萨克爵士平台
该团队记录了实验前几秒钟的运动数据，并将其提供给机器学习方法。该系统能够在最初的几秒钟之后估计蛔虫的运动。蠕虫运动中大约 90% 的变异性（激光刺激后）可以用生物学解释。
预测蛔虫对刺激的反应比估计球被踢时的运动困难得多。 Sir Isaac 算法做同样的事情，同时考虑到蠕虫中复杂的感觉处理及其神经活动，然后是肌肉的激活。这一切都归结为一个适度的数学描述。
阅读：工程师将蠕虫的大脑放入一个小型机器人中，它起作用了
这种机器学习方法可以帮助找到更复杂系统的精确和可解释的模型。长期目标是建立一种人工智能，可以加快创建定量假设的科学过程，然后通过实验对其进行测试。
工业技术