Large datasets and machine learning models fail to capture extremophile enzyme melting and optimum temperatures

想象一下，你拥有一个包含数百万份食谱（一个庞大的数据集）的图书馆，而你有一位超级聪明的厨师（一个机器学习模型），他已经研习了所有的食谱。你请这位厨师去预测某道特定菜肴达到完美口感所需的温度（最佳温度），以及它在彻底崩解前能达到的最高温度（熔解温度）。

这篇论文指出，当你要求这位厨师为两种非常特殊的食客——“冰雪食客”（嗜冷生物，生活在极寒环境中）和**“烈火食客”**（嗜热生物，生活在酷热环境中）烹饪时，这位厨师完全搞错了。

以下是该论文研究结果的拆解，使用了简单的类比：

1. “冰雪食客”之谜

科学家们长期以来一直怀疑“冰雪食客”的酶拥有一种特殊的技巧。他们认为这些酶可以在寒冷中工作，但如果稍微加热超过其完美的运作点，它们会在实际熔解或破碎之前就过早停止工作。这就像一座精致的冰雕，只要太阳一照，它就不再看起来像一座雕塑了，即便它还没有变成一滩水。

研究人员想知道：这是所有“冰雪食客”共有的特殊技巧，还是仅仅是个别幸运儿的特例？ 他们希望利用这位超级聪明的厨师和那座庞大的食谱库，同时检测数千种酶。

2. 厨师的大失误

不幸的是，厨师未能通过测试。当被问及这些极端环境下的温度时，机器学习模型犯了两个重大错误：

• 不可能的预测： 对于“烈火食客”，厨师预测他们的酶会在已经熔解之后才停止工作。这就像是在说，即使烤箱已经把面糊变成了液态汤，蛋糕仍会继续升高一样。这在物理上是不可能的。
• “平均值”陷阱： 厨师不断猜测“烈火食客”和“冰雪食客”其实都是普通的“常温食客”（嗜中温生物）。这就像是厨师在看了成千上万份关于常温菜肴的食谱后，便假设每一道菜都必须在常温下烹饪，而不管食客是在火山里还是在冰山中。

3. 为什么厨师失败了？

论文解释说，厨师的失败源于他所学习的“食谱库”（训练数据）存在的两个问题：

• 食谱是错误的： 厨师研习的许多记录都包含了错误。关于酶实际喜欢什么温度的数据是混乱且不可靠的。
• 图书馆是不平衡的： 图书馆里充斥着大量关于“常温食客”的食谱。关于“烈火”和“冰雪”食客的食谱却寥寥无几。因为厨师主要从平均值中学习，所以他试图将每项预测都强行推向平均值，从而忽略了极端情况下的独特需求。

核心结论

论文得出结论：我们目前无法使用这些大型计算机模型来弄清楚“冰雪食客”是否真的拥有那种在熔解前停止工作的特殊技巧。因为这些工具存在偏差，且数据过于混乱。

为了解决这个谜团，作者表示，我们不能仅仅依赖旧的、混乱的数据，而是需要走出去，直接测量这些极端酶的热行为，从而为“烈火”和“冰雪”食客建立一个全新的、干净且准确的数据库。只有到那时，我们才能知道在少数小型研究中看到的趋势是否适用于生命的其余部分。