认知颠覆 · COGNITIVE OVERTURN

"非模式生物"困境是生物信息学最被忽视的公平性问题

几乎所有生物信息学方法都是在人、小鼠、大肠杆菌等少数模式生物上训练和验证的。当这些方法应用于非洲农作物病原菌、深海极端微生物或热带雨林物种时,准确率显著下降——因为训练数据不包含这些生物的进化特征。这本质上是"数据殖民主义":主流科学为少数物种建立了强大的分析工具,而占生物多样性99%的非模式物种被留在了分析能力的阴影中。
来源

基因预测模型、进化树推断的适用范围批

可迁移到

任何基于历史数据训练的AI系统在面对分布外(out-of-distribution)数据时的公平性问题——医疗AI在少数族裔数据不足时准确率下降,自动驾驶在罕见路况下失灵,本质上是同一个问题的不同面孔。

来自这本书的解读报告

《生物信息学》

阅读完整解读报告 →
PRESS YOUR OWN BOOK

找一本想读的书,解读出你自己的洞察

90 秒得到核心模型 · 行动接口 · 失效边界 · 三套 SOP

解读一本书 →