在大数据时代，生物学家很早就开始利用AI来处理浩如烟海的人类基因数据。然而，随着越来越多新算法的开发，算法本身也快变成和数据一样复杂的东西。为了解决这个问题，有定量生物学家提出了一种设计高级机器学习算法的策略，让生物学家更容易理解和使用算法。

2位生物学家塔林和金尼过往用一种叫作“大规模平行报告分析”(MPRA)的方法研究DNA，并且用AI算法处理MPRA数据，主要目标是预测哪些分子在基因调控过程中控制特定基因。

细胞并不总是需要所有的蛋白质。相反，它们有着复杂的分子机制，可以根据需要开启或关闭产生蛋白质的特定基因。而当这些程序失效时，混乱和疾病随之而来。搞清楚这些问题，就有可能开发出治疗特定疾病的分子疗法。

不幸的是，标准的人工神经网络从MPRA数据中形成的方式与科学家在生命科学中提出问题的方式非常不同，换句话说，在过往的研究中，就算有结果，生物学家很难解释基因调控是如何发生的。

塔林和金尼开发的新方法在冷冰冰的计算工具和生物学家活生生的思维之间架起了桥梁。他们创造的一种自定义神经网络，从数学上反映了生物学中关于基因和控制基因的分子的共同概念。通过这种方式，这两位科学家迫使机器学习算法以生物学家能够理解的方式处理数据。

在发表于bioRxiv平台的论文《作为可解释神经网络的顺式调控生物物理模型》(Biophysical models of cis-regulation as interpretable neural networks)概述中，他们写道：

“我们的方法基于对2大类顺式调节机制生物物理模型的观察，它们可以被表示为深度神经网络，其中的节点和权重具有明确的生理化学解释。我们还介绍了如何使用现代深度学习框架，从某类MPRA生成的数据中快速学习这些生物物理网络。这些结果为使用MPRA系统地在广泛的生物学环境中描述基因调控的生物物理基础提出了一个可扩展的策略。”