可以训练人工智能（AI）学习机自行解决问题和难题，而不必使用我们为其制定的规则。但是，研究人员常常不知道机器为自己制定的规则。
冷泉港实验室（CSHL）助理教授Peter Koo开发了一种新方法，该方法对机器学习程序进行测验，以弄清它自己学习了哪些规则以及它们是否正确中国机械网okmao.com。
计算机科学家通过提供一组数据来“训练”一台AI机器进行预测。机器会根据训练过程中遇到的信息提取一系列规则和操作（一个模型）。古先生说：
“如果您学习数学的一般规则而不是记住方程式，您就会知道如何求解这些方程式。因此，我们不仅希望记住这些方程式，还希望这些模型正在学习求解它，现在我们可以给它提供任何方程式，它将解决。”
Koo开发了一种称为深层神经网络（DNN）的AI，以寻找RNA链中可增强蛋白质与其结合能力的模式。Koo训练了他的DNN，称为残基结合（Residual Bind，RB），其中数千个RNA序列与蛋白质结合分数相匹配，RB擅长预测新RNA序列的分数。
但是Koo不知道这台机器是否专注于人类可能期望的短序列的RNA字母（一种母题），或者是人们可能不需要的其他一些RNA链的次级特征。
Koo和他的团队开发了一种称为“全局重要性分析”的新方法，以测试RB生成的规则进行预测。他向经过训练的网络提供了精心设计的一组合成RNA序列，其中包含科学家认为可能会影响RB评估的基序和特征的不同组合。
他们发现网络不仅仅是考虑短主题的拼写。它决定了RNA链如何折叠并与自身结合，一个基序与另一个基序有多接近以及其他特征。
Koo希望在实验室中测试一些关键结果。但是，Koo的新方法没有测试该实验室中的每个预测，而是像虚拟实验室一样工作。研究人员可以计算地设计和测试数百万个不同的变量，远远超过了人类在实际实验室中可以测试的数量。
“生物学是超级轶事。您可以找到一个序列，可以找到一个模式，但是您不知道'该模式真的很重要吗？” 您必须进行这些干预性实验。在这种情况下，我所有的实验都是通过询问神经网络完成的。”