Sempre più spesso i biologi si rivolgono alla modellazione computazionale per dare un senso a sistemi complessi. Nelle neuroscienze, i ricercatori stanno adattando i tipi di algoritmi utilizzati per prevedere il tempo o filtrare lo spam dalla tua e-mail per cercare informazioni su come le reti neurali del cervello elaborano le informazioni. Una nuova ricerca del laboratorio di Cold Spring Harbor, offre una guida fondamentale ai biologi che utilizzano tali modelli. Testando vari modelli computazionali del sistema nervoso, i ricercatori hanno scoperto che solo perché un modello può fare buone previsioni sui dati non significa che rifletta la logica sottostante del sistema biologico che rappresenta. Affidarsi a tali modelli senza valutare attentamente la loro validità potrebbe portare a conclusioni errate su come funziona il sistema reale. Il lavoro, pubblicato il 26 ottobre 2020 su Nature Machine Intelligence, riguarda un tipo di apprendimento automatico noto come modellazione flessibile, che offre agli utenti la libertà di esplorare una vasta gamma di possibilità senza formulare in anticipo ipotesi specifiche. Il laboratorio si è rivolto a tali modelli per indagare su come la segnalazione nel cervello dà luogo al processo decisionale. Quando si tratta di prevedere il tempo o prevedere le tendenze del mercato azionario, qualsiasi modello che faccia buone previsioni è prezioso. Ma per i biologi gli obiettivi sono diversi: poiché sono interessati all’interpretazione scientifica e alla scoperta di ipotesi dai dati, non solo hanno bisogno di adattare il modello ai dati, ma hanno bisogno di analizzare o comprendere il modello che si otteniene. Quindi, vogliono esaminare la struttura del modello e il meccanismo del modello per dedurre che forse è così che funziona il cervello. È possibile fare buone previsioni utilizzando ipotesi sbagliate, basta pensare all’antico modello del sistema solare che prediceva accuratamente i movimenti dei corpi celesti mentre ipotizzava che quei corpi ruotassero attorno alla Terra, non al Sole. Quindi era importante considerare quanto ci si potesse fidare di particolari modelli di reti neurali. Costruendo e confrontando diversi modelli di segnalazione neurale, i ricercatori hanno scoperto che un buon potere predittivo non indica necessariamente che un modello è una buona rappresentazione di reti neurali reali. Hanno scoperto che i modelli migliori erano invece quelli che erano più coerenti su più set di dati. Questo approccio non funzionerà necessariamente per tutte le situazioni, tuttavia, i biologi potrebbero aver bisogno di metodi alternativi per valutare i loro modelli. Ancora più importante è ricordare di non dare nulla per scontato, ma controllare ogni ipotesi.

Daniele Corbo

Bibliografia: “Moving beyond generalization to accurate interpretation of flexible models” by Mikhail Genkin & Tatiana A. Engel. Nature Machine Intelligence

Immagine: Exist, No Exit (Zita Vilutyte)