如何弄清楚你不知道的東西

越來越多的生物學家轉向計算模型來理解復雜的系統。在神經科學領域，研究人員正在調整用于預測天氣或從您的電子郵件中過濾垃圾郵件的算法的種類，以尋求對大腦神經網絡如何處理信息的了解。

冷泉港實驗室助理教授塔蒂亞娜·恩格爾(Tatiana Engel)的最新研究為使用此類模型的生物學家提供了重要指導。她和博士后研究員米哈伊爾·根金(Mikhail Genkin)對神經系統的各種計算模型進行了測試，結果發現，僅僅因為模型可以對數據做出良好的預測，并不意味著它可以反映其代表的生物系統的基本邏輯。他們說，在沒有仔細評估其有效性的情況下依賴這些模型可能會導致關于實際系統如何工作的錯誤結論。

該工作于2020年10月26日在《自然機器智能》上發表，涉及一種稱為靈活建模的機器學習，它使用戶可以自由探索各種可能性，而無需事先提出特定的假設。恩格爾的實驗室已經使用這種模型來研究大腦中的信號傳導如何引起決策。

在預測天氣或預測股市趨勢時，任何能夠做出良好預測的模型都是有價值的。但是恩格爾說，對于生物學家來說，目標是不同的：

“由于我們對科學解釋感興趣，并實際上從數據中發現了假設，我們不僅需要使模型適合數據，還需要分析或理解所得到的模型，對嗎?我說過，我們想研究模型結構和模型機制，以推斷這可能是大腦的工作方式。”

恩格爾說，有可能使用錯誤的假設做出正確的預測，他指出了太陽系的古老模型，該模型可以準確地預測天體的運動，同時假定天體圍繞地球而不是太陽旋轉。因此，重要的是要考慮特定神經網絡模型的可信度。

通過建立和比較幾種神經信號模型，Engel和Genkin發現良好的預測能力并不一定表明模型是真實神經網絡的良好表示。他們發現最好的模型是跨多個數據集最一致的模型。但是，這種方法不一定適用于所有情況，生物學家可能需要其他評估模型的方法。更重要的是，根金說：“我們不應該認為任何事情都是理所當然的。我們應該檢查我們擁有的每個假設。”