模拟人类问题解决关键方面的计算机系统通常称为人工智能(AI)。过去几年，该领域取得了巨大进展。最值得一提的是，深度学习使无人驾驶汽车，计算机在战略游戏(围棋，国际象棋)，计算机游戏，扑克以及诊断医学的最初应用中击败了最优秀的人类玩家，从而取得了突破性的进展。深度学习基于人工神经网络-迭代地重新组织数学函数的网络，直到它们将描述给定问题的数据准确地映射到其解决方案为止。
在生物学中，深度学习已成为一种从基因组数据(例如基因表达谱)预测表型(即细胞或个体的可观察特征)的强大方法。深度学习通常是一种“黑匣子”方法：当神经网络提供足够的训练数据时，它们是非常强大的预测器。例如，它们已用于根据基因表达谱预测细胞类型，并根据DNA序列数据预测蛋白质结构。但是标准的神经网络无法以人类可以理解的方式解释输入与输出之间的学习关系。因此，到目前为止，深度学习对增进我们对细胞内分子功能的机械理解的贡献很小。
为了解决这种缺乏解释性的问题，CeMM博士后研究员Nikolaus Fortelny和CeMM首席研究员Christoph Bock追求了直接在生物网络上进行深度学习的想法，而不是在常规深度学习中使用的通用，完全连接的人工神经网络。他们建立了基于信号通路和基因调控网络的“知识型神经网络 ”(KPNN)。在KPNN中，每个节点对应一个蛋白质或基因，并且每个边缘都有机械的生物学解释(例如，蛋白质A调节基因B的表达)。
方法的详细概述：人工神经网络将输入(X)转换为输出(Y)，例如将基因表达数据(X)转换为具有高预测精度的表型(Y)。KPNN将生物网络的知识整合到深度学习中，从而实现了黑盒算法的可解释性。图片来源：Nikolaus Fortelny / CeMM
CeMM研究人员在发表于《基因组生物学》的新研究中表明，对生物网络的深度学习在技术上是可行的，并且在实践中是有用的。通过强迫深度学习算法保持接近生物网络中编码的基因调控过程，KPNN在深度学习的力量和我们快速增长的对复杂生物系统的知识与理解之间架起了一座桥梁。结果，该方法提供了对所研究的生物系统的具体见解，同时保持了较高的预测性能。这种功能强大的新方法使用一种优化的深度学习方法，可以在存在冗余的情况下稳定节点权重，增强节点权重的定量可解释性，并控制生物网络固有的不均匀连接性。