在生命科學領(lǐng)域，生物學研究與機器學習的融合正成為推動科學拓展的關(guān)鍵力量。面對海量的生物數(shù)據(jù)，傳統(tǒng)方法往往顯得力不從心。而機器學習技術(shù)，以其卓越的數(shù)據(jù)分析能力和模式識別優(yōu)勢，極大地提高了數(shù)據(jù)處理的效率，為生物學研究帶來革命性的變化。本系列將分期介紹機器學習的定義、執(zhí)行流程、關(guān)鍵概念術(shù)語和各種學習模型，包括傳統(tǒng)模型與神經(jīng)網(wǎng)絡模型，幫助各位老師使用這種工具來挖掘生物學新發(fā)現(xiàn)。

01 什么是機器學習?

機器學習和人類認識事物的學習過程有相似之處。人類通過觀察周圍的世界并學會預測接下來可能發(fā)生的事情來理解這個世界。比如，一個孩子學習接球時，通常不了解支配球運動的物理定律。但是，通過觀察和嘗試，孩子逐漸調(diào)整對球運動的理解和身體的動作，最終能夠可靠地接住球。換句話說，孩子通過構(gòu)建一個足夠準確的“模型”來學習接球，這個模型是通過對數(shù)據(jù)的反復測試和修正而建立的。

圖1.人類學習vs機器學習

機器學習是一種通過擬合預測模型或識別數(shù)據(jù)中的模式來處理數(shù)據(jù)的技術(shù)。它試圖模仿人類認識新事物的能力，但以一種客觀的方式，利用計算實現(xiàn)。當數(shù)據(jù)集太大或太復雜，無法通過人工分析時，或者當需要自動化數(shù)據(jù)分析過程以提高效率時，機器學習特別有用。生物實驗數(shù)據(jù)通常具有這些特點，因此機器學習在生物學研究中變得越來越重要。

在生物學研究中使用機器學習，一般有兩個主要目標：
1）準確預測：在缺乏實驗數(shù)據(jù)時，通過機器學習做出準確預測，指導未來的科研工作；
2）理解生物過程：利用機器學習深入理解生物現(xiàn)象。

02 機器學習的基本術(shù)語

我們首先介紹機器學習中的基本術(shù)語，并通過生物學中的例子來說明這些概念。

1.數(shù)據(jù)集
由多個數(shù)據(jù)點或?qū)嵗�組成，每個數(shù)據(jù)點可以看作是一個實驗的單次觀測。

2.特征
每個數(shù)據(jù)點由固定數(shù)量的特征描述，例如長度、時間、濃度和基因表達水平。

3.機器學習任務
是對我們希望機器學習模型完成的目標的明確定義。例如，在研究基因隨時間變化的實驗中，我們希望預測特定代謝物轉(zhuǎn)化為另一種物質(zhì)的速率。在這種情況下，“基因表達水平”和“時間”可以稱為輸入特征，而“轉(zhuǎn)化率”則是模型的輸出，即我們感興趣的預測值。模型可以有任意數(shù)量的輸入和輸出特征。特征可以是連續(xù)的（連續(xù)數(shù)值）或分類的（離散值），分類特征通常是二元的，要么為真（1），要么為假（0）。

03 機器學習的基本流程

訓練機器學習模型時一般應采取以下步驟。首先，在接觸任何機器學習模型和代碼之前，研究者應該是完全理解手頭的數(shù)據(jù)（輸入）和預測任務（輸出）。這意味著研究者對研究問題有深入的生物學理解，比如了解數(shù)據(jù)的來源和噪聲源，并對如何根據(jù)生物學原理從輸入理論上預測輸出有一個概念。舉例說明，如果任務是推斷不同的氨基酸可能對特定的蛋白質(zhì)二級結(jié)構(gòu)有偏好，那么從蛋白質(zhì)序列中每個位置的氨基酸頻率來預測二級結(jié)構(gòu)是有道理的。此外，研究者還需要知道輸入和輸出是如何在計算機存儲的。它們是否被歸一化以防止某一特征對預測產(chǎn)生過大的影響？它們是被編碼為二進制變量還是連續(xù)變量？是否存在重復條目？是否有缺失的數(shù)據(jù)元素？

接下來，數(shù)據(jù)應該被分割以允許訓練、驗證和測試。訓練集用于直接更新正在訓練的模型參數(shù)。驗證集通常占可用數(shù)據(jù)的約10%，用于監(jiān)控訓練、選擇超參數(shù)并防止模型過度擬合訓練數(shù)據(jù)。驗證時通常使用k倍交叉驗證方法：訓練集被分成k個大小相等的部分（例如，5或10個部分），形成k個不同的訓練和驗證集，然后在每個部分之間比較性能以選擇最佳超參數(shù)。測試集，有時稱為“保留集”，通常也占可用數(shù)據(jù)的約10%，用于評估模型在未用于訓練或驗證的數(shù)據(jù)上的表現(xiàn)（即估計其預期的實際表現(xiàn)）。測試集應在研究的最后階段或盡可能少地使用，以避免將模型調(diào)優(yōu)到適應測試集。

下一步是模型選擇，這取決于數(shù)據(jù)的性質(zhì)和預測任務。研究者按照所用軟件框架的最佳實踐，使用訓練集來訓練模型。大多數(shù)方法都有幾個需要調(diào)優(yōu)的超參數(shù)以達到最佳性能。這可以通過隨機搜索或網(wǎng)格搜索完成，并可以與上述的k倍交叉驗證結(jié)合使用。此外，研究者應考慮模型集成，即將多個相似模型的輸出簡單平均，以提供一種相對可靠的方式來提高建模任務的整體準確性。最后，在測試集上評估模型的準確性。

圖2.選擇并訓練機器學習方法的總體流程

本文詳細介紹了什么是機器學習，機器學習的基本術(shù)語和基本流程。在后續(xù)的文章中，小編將詳細介紹機器學習領(lǐng)域的重要概念術(shù)語和各種模型算法，敬請期待。