《International Journal of Molecular Sciences》：Special Issue “Machine Learning and Bioinformatics in Human Health and Disease 2nd Edition”
编辑推荐：
机器学习与生物信息学已成为现代生物医学研究中不可或缺的组成部分。本特刊第1版已凸显其广泛应用，涵盖多组学（multi-omics）整合、疾病预测、生物标志物发现与可解释人工智能（explainable artificial intelligence，AI）。第
机器学习与生物信息学已成为现代生物医学研究中不可或缺的组成部分。本特刊第1版已凸显其广泛应用，涵盖多组学（multi-omics）整合、疾病预测、生物标志物发现与可解释人工智能（explainable artificial intelligence，AI）。第2版收录成果反映该领域持续成熟：计算方法与生物学研究结合更紧密，评价不只看分析性能，也看可解释性、鲁棒性与对生物医学及临床研究的相关潜力。研究人员在社论中讨论三方面发展：（i）在机制语境下解释分子数据；（ii）将生物学知识整合进计算模型；（iii）可解释性、鲁棒性与验证日益重要。这些方面共同说明，当代生物医学研究中计算方法与生物学路径正深度互联。
研究背景方面，机器学习（machine learning，ML）与生物信息学（bioinformatics）已成为现代生物医学研究的重要支撑，第1版特刊已展现其在多组学（multi-omics）整合、疾病预测、生物标志物发现和可解释人工智能（explainable artificial intelligence，AI）等方向的广度。随着越来越复杂的计算方法被用于具有直接与生物学甚至临床含义的问题，领域面临的关键问题是：仅追求预测精度已不够，分子特征如何回到生物机制、已有生物学知识如何进入模型、模型如何被信任并用于科研与临床，成为亟待回应的课题。因此，研究人员在《International Journal of Molecular Sciences》发表该特刊社论，系统梳理第2版特刊所体现的计算生物医学（computational biomedicine）发展方向。
为开展述评，研究人员主要采用以下关键技术方法：通过特刊收录文献进行编辑性综合，不依赖新实验；利用网络医学（network medicine）框架把疾病视为互连生物系统的扰动；采用无监督学习（unsupervised learning）进行人群亚群聚类；使用图正则化非负矩阵分解（graph-regularized non-negative matrix factorization，NMF）框架完成单细胞转录组细胞类型注释；并以深度学习（deep learning）模型结合特征消融（feature ablation）、外部验证与线虫实验验证支撑危害分类可信度。样本队列来源方面，Brlek等使用522例克罗地亚患者队列基于UMAP+HDBSCAN算法开展药物基因组学（pharmacogenomics，PGx）聚类。
研究结果部分，从小标题展开。在From Molecular Signatures to Biological Mechanisms中，Zhang等用互补网络方法刻画氧化应激（oxidative stress）与疼痛-抑郁共病的分子通路；Xu等重构三阴性乳腺癌（triple-negative breast cancer，TNBC）的miRNA-mRNA调控网络；De Filippis等将27000余个错义变异（missense variants）转为进化约束、蛋白功能与营养相关通路的生物学解释；Heinzle等显示奥沙利铂（oxaliplatin）耐药伴随与氧化应激和细胞代谢相关的挥发组（volatilomic）改变。结论是把分子签名连接到疾病机制，是计算生物医学演进的重要一步。
在Integrating Biological Knowledge into Computational Models中，Chi等的scANMF把已建立标记基因、部分细胞类型注释和细胞关系图表示统一起来，提升单细胞RNA测序（single-cell RNA-seq，scRNA-seq）注释准确性与跨平台、跨物种可解释性；Brlek等用无监督学习找到人群亚群后关联到CYP2D6与SLCO1B1等已知药物基因（pharmacogenes）。结论是生物知识与计算方法互为补充证据，未来进步取决于方法创新与生物学知识整合。
在From Accurate Predictions to Trustworthy Models中，预测精度仍是基准但不够；scANMF在不完整注释、噪声标记和组件层面做敏感性与消融分析以证明鲁棒性；HazChemNet在化学危害分类上除常规评测外，用特征消融找关键分子特征，用外部验证证明对未见化合物的泛化，并用秀丽隐杆线虫（Caenorhabditis elegans）实验验证计算预测。结论是模型信任来自鲁棒验证、生物可解释性、外部检验与实验确认等多证据汇聚。
讨论与结论部分，研究人员指出，特刊所收研究说明计算生物医学的未来在于把方法学复杂性与可验证的生物学知识结合起来：研究人员可验证、临床医生可信任、患者最终可受益。计算模型不能只靠性能指标，而需兼具高预测性能、可重复性、生物合理性与鲁棒验证，才能支撑科学或临床决策。信任由证据建立，而非仅由准确率建立。
Concluding Remarks部分译为：本特刊汇集的研究表明，计算生物医学的未来在于将方法学上的精密性与具有生物学意义的知识相结合，这种知识可被研究人员验证、被临床医生信任，并最终使患者受益。
