เส้นทางวิจัย ไม่ใช่รายชื่อโมเดล
อ่าน biological sequence ในฐานะหลักฐานที่มีโครงสร้าง
งานวิจัยของ Supatcha Lertampaiporn อยู่ตรงรอยต่อระหว่างชีววิทยากับการคำนวณ RNA, peptide และ protein อาจมองเห็นเป็นตัวอักษรเรียงกัน แต่ composition, order, structure และ cellular context ต่างให้หลักฐานทางชีววิทยาคนละแบบ งานของเธอจึงถามต่อว่า เราจะสร้าง representation ที่ชัดพอให้ machine learning แยก candidate ที่มีความหมายออกจากสัญญาณรบกวนที่ดูคล้ายของจริงได้อย่างไร
คำถามแกนกลางนี้ยังคงอยู่ แม้ biological object จะขยายจาก pre-miRNA และ non-coding RNA ไปสู่ตำแหน่งของโปรตีนในแบคทีเรียและพืช antimicrobial peptide, antihypertensive peptide และ neuropeptide อัลกอริทึมเปลี่ยนเพราะคำถามเปลี่ยน ไม่ใช่เพราะต้องการความใหม่ของเครื่องมือเพียงอย่างเดียว
งานถูกสร้างขึ้นอย่างไร
Feature, model และการประเมิน ต้องเป็นเหตุผลชุดเดียวกัน
แทนความหมายทางชีววิทยา
แปลงองค์ประกอบ ลำดับ และร่องรอยเชิงโครงสร้างให้เป็น feature ที่โมเดลอ่านได้ โดยไม่ทำลายความหมายทางชีววิทยา
สร้างความหลากหลายที่มีเหตุผล
ผสาน learner ที่ตอบสนองต่างกันต่อข้อมูลไม่สมดุล nonlinear interaction และ local pattern ความหลากหลายต้องช่วยการตัดสินใจ ไม่ใช่เพียงเพิ่มจำนวนโมเดล
ทดสอบข้ออ้าง
ใช้ validation, independent evidence และ error analysis เพื่อดูว่า predictor เชื่อถือได้ตรงไหน และตรงไหนที่ชีววิทยายังไม่ยอมอยู่ในเส้นแบ่งง่าย ๆ
กลับไปหาการทดลอง
ใช้ prediction เพื่อจัดลำดับสิ่งที่จะ inspect, synthesize, assay หรือ annotate label เป็นผลลัพธ์ระหว่างทาง ไม่ใช่ปลายทางทางวิทยาศาสตร์
เหตุผลที่ความร่วมมือนี้สำคัญ
การคำนวณมีคุณค่ามากขึ้นเมื่อเดินไปพบห้องทดลองได้
ในระบบนิเวศความร่วมมือด้านชีวศาสตร์ computational prediction ช่วยลดพื้นที่ค้นหาขนาดใหญ่ก่อนเริ่มงานทดลอง ขณะเดียวกันหลักฐานจากห้องทดลองจะย้อนกลับมาบอกว่า feature, dataset หรือสมมติฐานใดเรียบง่ายเกินไป วงจรป้อนกลับนี้มีค่ากว่าการแยกซอฟต์แวร์กับการทดลองเป็นคนละโลก
