如何弄清楚你不知道的东西

越来越多的生物学家转向计算模型来理解复杂的系统。在神经科学领域，研究人员正在调整用于预测天气或从您的电子邮件中过滤垃圾邮件的算法的种类，以寻求对大脑神经网络如何处理信息的了解。

冷泉港实验室助理教授塔蒂亚娜·恩格尔(Tatiana Engel)的最新研究为使用此类模型的生物学家提供了重要指导。她和博士后研究员米哈伊尔·根金(Mikhail Genkin)对神经系统的各种计算模型进行了测试，结果发现，仅仅因为模型可以对数据做出良好的预测，并不意味着它可以反映其代表的生物系统的基本逻辑。他们说，在没有仔细评估其有效性的情况下依赖这些模型可能会导致关于实际系统如何工作的错误结论。

该工作于2020年10月26日在《自然机器智能》上发表，涉及一种称为灵活建模的机器学习，它使用户可以自由探索各种可能性，而无需事先提出特定的假设。恩格尔的实验室已经使用这种模型来研究大脑中的信号传导如何引起决策。

在预测天气或预测股市趋势时，任何能够做出良好预测的模型都是有价值的。但是恩格尔说，对于生物学家来说，目标是不同的：

“由于我们对科学解释感兴趣，并实际上从数据中发现了假设，我们不仅需要使模型适合数据，还需要分析或理解所得到的模型，对吗?我说过，我们想研究模型结构和模型机制，以推断这可能是大脑的工作方式。”

恩格尔说，有可能使用错误的假设做出正确的预测，他指出了太阳系的古老模型，该模型可以准确地预测天体的运动，同时假定天体围绕地球而不是太阳旋转。因此，重要的是要考虑特定神经网络模型的可信度。

通过建立和比较几种神经信号模型，Engel和Genkin发现良好的预测能力并不一定表明模型是真实神经网络的良好表示。他们发现最好的模型是跨多个数据集最一致的模型。但是，这种方法不一定适用于所有情况，生物学家可能需要其他评估模型的方法。更重要的是，根金说：“我们不应该认为任何事情都是理所当然的。我们应该检查我们拥有的每个假设。”