人工智能可以如何帮助我们研究免疫差异？
数据与人工智能
方法
示例内容：审慎讨论机器学习在哪些方面能够澄清或掩盖个体免疫差异。
注记示例方法学观点
本页为说明性示例内容，并不表示某一模型、数据集或分析已经获得 FengLab 的验证。
从科学任务出发
未来的方法学文章可以区分三类目标：
- 描述： 在有意义的空间中表示复杂的免疫测量数据；
- 预测： 估计个体面对扰动 \(x\) 时的结果 \(y_i\)；
- 设计： 找出最有信息价值的观察或干预。
明确区分这些目标，可以让模型评估更具意义。能够良好压缩数据的模型并不自动成为可靠的预测工具；具有预测能力的模型也不一定适用于干预设计。
负责任使用人工智能时应考虑的问题
- 训练数据包含哪些生物学差异？
- 哪些个体或情境在数据中代表不足？
- 模型表现能否跨队列、时间点和测量平台保持稳定？
- 能否在个体预测层面清楚表达不确定性？
- 哪些结论依赖模型，哪些结论由数据直接支持？
正式文章应包含什么
完成后的洞见文章应明确所讨论的方法或数据集，区分证据与假设，在适当情况下链接代码或数据，并清楚说明分析的局限。