监督机器学习在系统神经科学中的作用
本研究介绍了如何使用 Python 语言的机器学习库 Scikit-learn 来处理神经影像数据，采用统计机器学习的方法，包括有监督学习和无监督学习，探究在不同的功能神经影像应用中的优势和应用。
Dec, 2014
在本文中，我们介绍了一种新的 “神经权重” 的机器学习方法，该方法将人类大脑活动的 fMRI 测量数据注入到对象识别学习算法的训练过程中，以使其更加符合人类大脑。我们证明了这种方法的有效性，指出了一种新的混合机器学习算法的路径，该算法既从神经元数据中获得灵感，又直接约束神经元数据。
Mar, 2017
本文考虑在神经科学和机器学习之间建立联系，提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为，其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储，作者提出了未来神经科学试图改进和检验这些假设的方向。
Jun, 2016
现代生命科学研究越来越依赖于人工智能方法来模拟生物系统，主要集中在使用机器学习模型上。然而，机器学习在生物科学中的广泛应用表明其与传统科学探究方法存在显著差异，这种相互作用对未来的科学研究具有重要意义，但却受到较少关注。在本研究中，我们借鉴认识论工具集，将机器学习在生物科学中的最新应用放入现代哲学理论的框架下，以识别可指导机器学习系统为生物现象建模和推动科学知识进展的一般原则。我们提出，科学理解作为信息压缩、定性可理解性和依赖关系建模的概念，为解释机器学习介导的生物系统理解提供了有用的框架。通过对现代生物研究中机器学习的两个关键应用领域 —— 蛋白质结构预测和单细胞 RNA 测序的详细分析，我们探讨了这些特征迄今如何使机器学习系统推进对目标现象的科学理解，以及它们如何指导未来机器学习模型的发展，以及阻碍机器学习实现其作为生物发现工具潜力的关键障碍。考虑机器学习在生物学应用中的认识论特征将改善这些方法解决重要问题和推进对生命系统科学理解的前景。
Mar, 2024