生物物理学家使用自动化方法对生命系统进行建模 - 蠕虫感知和逃避疼痛的动力学。在国家科学学院院刊(PNAS)发表的结果，这与数据从工作在实验的线虫蛔虫。

“我们的方法是率先在实验数据上使用机器学习工具来为生命系统推导出简单，可解释的运动方程的方法之一，”该论文的高级作者，埃默里大学物理与生物学教授Ilya Nemenman说。 。“我们现在已经证明可以做到这一点。下一步是看看我们是否可以将我们的方法应用于更复杂的系统。”

该模型对蠕虫行为的动态进行了准确的预测，这些预测在生物学上是可解释的并且已经过实验验证。

该论文的合作者包括第一作者，亚利桑那州立大学的理论家Bryan Daniels，以及多伦多大学的实验主义者William Ryu。

研究人员使用了由丹尼尔斯和内曼曼于2015年开发的算法，该算法教授计算机如何有效地搜索自然动力系统的基础定律，包括复杂的生物动力系统。在有史以来最着名的科学家之一 - 艾萨克·牛顿爵士之后，他们将算法称为“艾萨克爵士”。他们的长期目标是将算法发展成为“机器人科学家”，以自动化和加速形成定量假设的科学方法，然后通过查看数据和实验来测试它们。

虽然牛顿的三运动定律可用于预测机械系统的动力学，但生物物理学家希望开发出可应用于生命系统的类似预测动力学方法。

对于PNAS论文，他们关注的是当秀丽隐杆线虫对感官刺激作出反应时所涉及的决策。关于秀丽隐杆线虫的数据之前已经由Ryu实验室收集，该实验室开发了用于测量和分析蛔虫在整体水平上的行为反应的方法，从基本运动姿势到长期行为计划。

秀丽隐杆线虫是一种成熟的实验室动物模型系统。大多数秀丽隐杆线虫只有302个神经元，很少有肌肉和有限的运动曲目。一系列实验涉及通过激光撞击头部来中断个体秀丽隐杆线虫的向前运动。当激光撞击蜗杆时，它会退回，短暂地向后加速并最终返回向前运动，通常是在不同的方向。个体蠕虫的反应不同。例如，一些人在激光刺激时立即反转方向，而其他人在响应之前暂时停顿。实验中的另一个变量是激光的强度：蠕虫对更热和更快速升温的响应更快。

研究人员向艾萨克爵士平台提供了实验开始几秒钟内的运动数据 - 在激光撞击蠕虫之前和之后不久，它最初会做出反应。根据这些有限的数据，该算法能够捕获与实验结果相匹配的平均响应，并且能够远远超过这些最初的几秒钟预测蠕虫的运动，从有限的知识推广出来。预测只留下蠕虫运动变异的10%，这可归因于激光刺激无法解释。这是最好的先前模型的两倍，没有自动推理的帮助。

“预测蠕虫关于何时以及如何针对刺激进行移动的决定要比计算球踢动时球的运动方式复杂得多，”Nemenman说。“我们的算法必须考虑到蠕虫中感觉处理的复杂性，响应刺激的神经活动，然后是肌肉的激活和激活的肌肉产生的力。它将所有这些归结为一个简单而优雅的数学描述。“

艾萨克爵士推导出的模型与秀丽隐杆线虫的生物学相匹配，为感觉处理和运动反应提供了可解释的结果，暗示了人工智能的潜力，有助于发现更复杂的准确和可解释的模型系统。

“从预测蠕虫的行为到人类的行为是一个很大的进步，”Nemenman说，“但是我们希望蠕虫可以作为一种沙箱来测试自动推理的方法，比如Sir Isaac有朝一日可能直接有益于人类健康。大部分科学都是关于猜测管理自然系统的规律，然后通过实验验证这些猜测。如果我们能够弄清楚如何使用现代机器学习工具来帮助猜测，那么可能会大大加快研究突破。“