為了生物工程復雜的器官，科學家需要了解這些形狀通常由生物體產生的機制。然而，該論文的資深作者Michael Levin表示，在確定生產特定生物體形狀所必需的分子遺傳成分與理解如何以及為何以正確的大小，形狀和方向生成特定復雜形狀之間存在顯著的知識差距。博士，Vannevar Bush生物學教授，塔夫茨再生與發育生物學中心主任。

“今天從遺傳實驗中獲得的大多數再生模型都是箭頭圖，顯示哪個基因調節哪個基因。這很好，但它沒有告訴你最終的形狀是什么。你無法分辨許多遺傳途徑模型的結果是否會看起來像一棵樹，一只章魚或一個人，“萊文說。“大多數模型都顯示了流程發生的一些必要組件，但不是一步一步地產生形狀的動力學。我們需要的是算法或建設性模型，你可以精確地遵循這些模型，不會有任何神秘或不確定性你按照食譜來形容。“

需要這樣的模型以便知道可以將什么觸發器應用于這樣的系統以引起特定部件的再生或其他期望的形狀變化。然而，該論文的第一作者，萊文實驗室的博士后研究員Daniel Lobo博士說，目前還沒有這樣的工具來挖掘快速發展的再生和發育生物學實驗數據。

為了應對這一挑戰，Lobo和Levin開發了一種算法，該算法將使用進化計算來生成能夠“進化”的監管網絡，以準確預測研究人員進入數據庫的已發表實驗室實驗的結果。

“我們的目標是確定一個可以在虛擬蠕蟲的每個細胞中執行的監管網絡，以便模擬實驗的頭尾模式結果與公布的數據相匹配，”Lobo說。

塔夫茨大學的生物學家開發了一種算法，該算法利用進化計算產生能夠“進化”的監管網絡，以準確預測已發表的關于渦蟲再生研究的結果。

正如所料，初始隨機調控網絡通常無法產生任何實驗結果。通過隨機組合先前的網絡并執行隨機改變，添加和刪除來生成新的候選網絡。在模擬實驗下，每個候選網絡都在虛擬蠕蟲中進行了測試。該算法將模擬得到的形狀與數據庫中的實際發布數據進行比較。隨著進化的進行，新網絡逐漸可以解釋數據庫中的更多實驗，其中包括大多數關于頭部與尾部再生的已知渦蟲實驗文獻。

人工智能發現的第一個再生模型

研究人員最終將該算法應用于16個關鍵渦蟲再生實驗的組合實驗數據集，以確定該方法是否能夠識別渦蟲生成的綜合調節網絡。42小時后，該算法返回了發現的監管網絡，該網絡正確預測了數據集中的所有16個實驗。該網絡包括七種已知的調節分子以及兩種尚未在現有的關于渦蟲再生的論文中發現的蛋白質。

“這代表了迄今為止發現的最全面的渦蟲再生模型。它是唯一已知的模型，可以在許多不同的功能實驗中機械地解釋平面中的頭尾極性測定，并且是人工智能發現的第一個再生模型，”萊文說。

Lobo和Levin都接受過計算機科學方面的培訓，并為發展生物學領域帶來了不同尋常的視角。Levin在獲得博士學位之前在塔夫茨大學主修計算機科學和生物學。在遺傳學。Lobo獲得博士學位。在加入Levin實驗室之前在現場。

本文代表了“機器人科學”這一不斷發展的領域的成功應用 - 萊文表示，它可以幫助人類研究人員做更多的工作，而不僅僅是快速處理龐大的數據集。

“雖然這個項目中的人工智能確實需要進行大量的計算，但結果卻是關于蠕蟲正在做什么的理論，而提出自然界正在發生的事情的理論幾乎就是最有創意，最直觀的方面。這位科學家的工作，“萊文說。“該項目最引人注目的一個方面是，它發現的模型不是一個人類無法理解的絕望的糾結網絡，而是人們可以輕易理解的一個相當簡單的模型。這一切都告訴我，人工智能可以幫助科學的各個方面，不僅是數據挖掘，還包括數據意義的推斷。“