玻尔百科我们的大脑天生就能发现模式，能在云中看到人脸，在星空中看到形状。这种与生俱来的能力非常强大，但在科学和数据的世界里，我们需要一种更严谨的方法来区分真实的信号和随机的噪声。我们如何能确定一个模式是有意义的？这个问题是许多科学学科面临的核心挑战。本文通过探讨模式发现的普适逻辑来应对这一挑战。文章首先确立了一个核心原则，即模式的定义取决于其如何从背景中脱颖而出，并深入探讨了自然界模式探测大师——免疫系统——所使用的机制，以及解码我们DNA语言的计算工具。您将了解到让我们能够发现这些隐藏信号的基础理念。随后，文章将展示这一个强大的概念如何将不同领域联系起来，揭示其在现代疫苗学、慢性病诊断以及正在彻底改变基因组学的高级人工智能模型中的关键应用。我们的旅程将从审视使所有模式发现成为可能的基本原则和机制开始。
让我们从一个简单的游戏开始。仰望云朵，你迟早会看到一朵云看起来像一条龙、一张脸或一艘船。我们的大脑是卓越的模式发现机器，以至于我们常常在没有模式的地方也能发现模式。在科学中，我们也想做同样的事情——在宇宙嘈杂的数据中找到有意义的隐藏模式——但我们必须更加严谨。我们不能在云里看到龙。那么，我们如何教一台机器，甚至是我们自己，去发现真实的模式呢？秘诀在于一个深刻的理念：一个模式之所以成为模式，仅仅是因为它从背景中脱颖而出。模式发现的全部艺术和科学，就在于定义和理解这种关系。
事实证明，自然界从事模式识别业务已经超过十亿年了。你自己的身体里就包含了已知宇宙中最复杂的模式探测系统之一：先天免疫系统。想象一下你体内有一个微观的边境巡逻员。它不可能拥有每一种潜在微生物入侵者的“大头照”。可能的病毒和细菌数量几乎是无限的。那么它是如何发现麻烦的呢？它用了一个聪明的技巧：它不寻找个体，而是寻找“帮派标志”。
微生物由与我们自身截然不同的分子构成。它们有由脂多糖（LPS）或肽聚糖等物质构成的细胞壁，或者携带如双链RNA等不寻常形式的遗传物质。这些就是微生物的“帮派标志”。在免疫学中，它们被称为病原体相关分子模式（Pathogen-Associated Molecular Patterns，PAMPs）。它们是广大类别的病原体所共有的、广泛而保守的特征。为了探测它们，我们的细胞表面布满了大量基因决定的、硬编码的探测器，称为模式识别受体（Pattern Recognition Receptors，PRRs）。每个PRR都是一个微小而形状精巧的锁，而特定的PAMP就是钥匙。当一个细菌撞上一个细胞时，它的LPS钥匙正好插入等待的TLR4锁中，警报随即拉响。
这种识别是广泛且通用的。例如，一个能识别某种保守脂聚糖的PRR，会对任何携带该分子的细菌作出反应，无论是细菌alpha、beta还是gamma。这与适应性免疫系统（涉及T细胞和B细胞）形成了鲜明对比，后者学会识别极其特异的细节，比如来自单一细菌株的单个独特肽段。适应性系统就像一个能识别特定个体的侦探，而先天系统则是识别麻烦的一般迹象的巡警。
长期以来，这个双层系统的精妙之处一直是个谜。免疫学家Charles Janeway, Jr.在20世纪80年代末提出了一个卓越的见解。他提出，复杂的适应性系统并不仅仅是独立行动的，它需要来自古老而简单的先天系统的“许可”或“执照”。这就是著名的“双信号”模型。一个T细胞需要看到它的特定目标（信号1），但它还需要一个来自PRR的确认，表明真正的危险存在（信号2）。没有第二个信号，T细胞就会按兵不动。Janeway预测，这就是疫苗佐剂的工作原理：佐剂其实就是一个能触发PRR的PAMP，它提供了危险信号，大声喊道：“嘿，适应性系统！注意我们给你看的这个抗原！”这个源于对模式思考的想法，彻底改变了疫苗学和我们对免疫的理解。
免疫系统识别分子物理形状中的模式。但信息中的模式又如何呢？生命的说明书——DNA，是由A、C、G、T四个字母组成的长字符串。隐藏在这段文本中的是控制开关——称为基序（motifs）的短序列——它们告诉基因何时开启或关闭。一个称为转录因子的蛋白质可能需要与一个特定的基序结合来激活一个基因。
但这个基序很少是一个像 G-A-T-T-A-C-A 这样完全固定的词。生物系统是凌乱和宽容的。蛋白质可能在第一个位置强烈偏好‘G’，但也能接受‘A’。它可能在第二个位置需要一个‘T’，没有例外。为了捕捉这种“模糊”的偏好，我们使用一个优美的统计工具，称为位置权重矩阵（Position Weight Matrix，PWM）。PWM其实就是一个表格，列出了在基序的每个位置找到每个字母的概率。它代表的不是单个序列，而是一整个相关序列的家族，每个序列都有不同的可能性。在视觉上，我们通常将其表示为“序列标识（sequence logo）”，其中每个字母的高度显示了它在该位置的重要性。
现在，如果我们有一个基序的PWM，我们就可以沿着一段DNA扫描并提问：“这段短序列看起来像我们的基序吗？”但这个问题是不完整的。我们必须问的真正问题是：“这段序列由我们的基序模型（PWM）生成的可能性，比由一个简单的背景模型生成的可能性高多少？”背景模型是我们对“随机、无趣的DNA”的定义。用于这种比较的数学工具是对数似然比（log-likelihood ratio，LLR）分数。对于候选序列中的每个位置，我们取基序概率与背景概率之比的对数，然后将它们相加。一个大的正分值意味着该序列更适合基序模型而非背景模型——这是一个潜在的信号。一个接近零或负数的分值意味着它看起来就像垃圾DNA。LLR分数使我们能够量化一个序列“脱颖而出”的程度。
这种比较模型的思想是普遍的。模式不仅仅存在于线性字符串中。在基因调控网络中，“基序”可能是基因之间的一种特定连接模式——例如，“前馈环”。要判断这种布线模式是否显著，我们不能仅仅计算它。我们必须将其在真实网络中的频率与它在一整套共享某些基本属性（如每个基因的连接数）的随机化网络中的频率进行比较。如果该模式出现的频率远高于在随机网络中的频率（通过Z分数衡量），我们就可以确信它是一个真实的设计原则，而不仅仅是侥幸。
到目前为止，我们都假设我们已经有了PWM或者知道我们正在寻找的模式。但如果我们不知道呢？如果我们只有一堆DNA序列，我们怀疑它们共享一个共同的调控开关，但我们不知道它长什么样，该怎么办？这被称为从头（de novo）基序发现。
想象一下你是一名密码学家，得到了一组截获的信息，其中一些已知包含一个隐藏的关键词。你会如何找到它？你可能会从猜测一个关键词开始，比如“EAGLE”。然后你会扫描信息，看看这个猜测能多好地解释文本。根据“EAGLE”似乎出现的位置，你可能会注意到第一个字母实际上更可能是'F'。于是你将猜测修正为“FAGLE”并重复。这种猜测和 refining 的迭代过程是一类强大的无监督学习算法的核心——即在没有预先标记的答案的情况下进行学习。
用于此目的的最著名的算法，MEME，使用一种称为期望最大化（Expectation-Maximization，EM）的策略。它的工作方式与我们的密码学类比完全相同：
这一切听起来都非常自动化。但在现实世界中，模式搜寻充满了危险。如果你不小心，就非常容易自欺欺人。最常见的错误来自于没有正确理解你的背景。
一个经典的例子来自像ChIP-seq这样的实验，这些实验旨在找到基因组中特定蛋白质结合的所有位置。我们将这些结合区域作为我们的“前景”，并寻找一个基序。但我们的“背景”是什么？如果我们使用整个基因组的随机片段，那我们就犯了一个可怕的错误。蛋白质结合位点往往位于“开放染色质”区域，这些区域的序列组成（例如，通常富含G和C）与整个基因组不同。一个天真的算法会得意洋洋地“发现”一个富含GC的基序，不是因为蛋白质特别喜欢它，而仅仅是因为它在将富含GC的区域与GC含量较低的平均水平进行比较。解决方案是严谨的统计学：你必须选择一个在除了你正在寻找的特定信号之外的所有方面都与你的前景相匹配的背景。一个更好的背景将是你的目标蛋白不结合的其他开放染色质区域。通过同类比较，你可以将真正的模式与混杂的信号分离开来。
另一个陷阱是回声室效应。如果你的数据集中包含许多重复的序列——可能来自技术假象或者因为某个基因被过度取样——算法会将每个副本视为独立的证据。它会痴迷于重复序列中的任何模式，并认为它非常重要。解决方案是应用统计卫生：识别重复项，要么删除它们，要么更优雅地为每个重复项分配一个较低的权重，以便每个独特的序列或基因对最终模型的贡献是均等的。
最后，有时模式存在但在功能上是不可见的。在可以折叠成复杂结构的RNA分子中，一个序列基序可能完美地存在于线性代码中。但如果该片段被锁在一个紧密的发夹环中，蛋白质或微小RNA就无法物理上接触到它以进行结合[@problemid:4586667]。一个具有强序列匹配（高PWM分数）但可及性低的位点，其功能性可能远不如一个分数一般但始终开放可用的位点。因此，真正先进的模式发现方法不仅必须考虑序列，还必须考虑其物理背景。
这种思维方式——关于模式、背景、假说和证据的思考——并不仅限于分子生物学。它是一种普适的推理原则，我们在医学艺术中找到了它最人性化的表达。
当一名初级临床医生评估一位胸痛患者时，他们正在进行一种复杂的模式识别行为。新手可能会陷入“详尽数据收集”的陷阱，为了希望模式能从噪声中浮现而下令进行所有可以想象的测试。这是低效的，并且可能造成伤害。另一个错误是过早闭合，即单个特征触发“纯模式识别”反应，医生在没有考虑其他可能性的情况下就跳到了一个熟悉的诊断上。
然而，专家采用的是假说-演绎模型。最初的线索（患者的叙述、一些生命体征）导致生成一个简短的合理假说列表——即鉴别诊断。是心脏病发作（急性冠脉综合征）吗？是胃酸反流吗？还是仅仅是肌肉拉伤？每个假说都带有不同的初始概率。然后，临床医生不是随机收集数据，而是收集有针对性的信息，旨在最好地区分这些可能性。他们可能会问：“按压你的胸部会痛吗？”一个“是”的回答会极大地增加肌肉骨骼原因的可能性，并降低心脏病发作的可能性。每一条新数据——一个问题、一项体检发现、一个实验室结果——都被用来更新竞争假说的概率，这个过程与我们计算算法的贝叶斯逻辑如出一辙。这种假说生成和检验的迭代循环持续进行，直到一个诊断变得如此可能，以至于越过了治疗的阈值。
从我们细胞内部沉默的分子战争，到寻找生命开关的计算探索，再到医生头脑中动态的、生死攸关的推理，模式发现的基本原则始终如一。这是关于何为特殊的假说与何为寻常的清醒认识之间的一支舞蹈。科学的美妙之处在于学习这支舞的舞步，使我们能够在一个充满压倒性噪声的世界中，找到真实而微妙的信号。
在遍历了模式如何被定义和探测的基本原则之后，我们现在到达了一个激动人心的目的地：现实世界。这个看似抽象的模式发现理念，究竟在何处改变生活、驱动创新并加深我们对宇宙的理解？你可能会感到惊讶。这个原则不仅仅是计算机科学家的工具；它是自然界最深刻的策略之一，是一条贯穿免疫学、临床医学、基因组学甚至科学史等不同学科的线索。这个概念是如此基础，以至于你自己的身体此时此刻正在进行着数以万亿次的模式发现行为，只为让你活下去。
远在我们构思算法之前，自然界早已以先天免疫系统的形式完善了模式发现的艺术。这个古老而优雅的系统并非旨在识别每一种特定的病菌——鉴于它们的גוון多样性和快速进化，这是一项艰巨的任务。相反，它学会了寻找那些大声呼喊“危险！”的广泛、保守的模式。这些模式分为两大类。
首先是病原体相关分子模式（PAMPs）。这些不仅仅是微生物的任何部分；它们是至关重要的结构基序，病原体很难在不损害自身生存的情况下改变它们。可以把它们看作是微生物类别的明确标志——细菌细胞壁的独特质地（如脂多糖或肽聚糖）或病毒遗传物质的特征形式。我们的免疫细胞表面布满了对这些PAMPs极度敏感的模式识别受体（PRRs）。当一个PRR锁住其对应的PAMP时，就像钥匙插入锁孔，触发一系列警报，调动身体的防御力量。
这一原则解释了一个看似矛盾的临床观察：为什么患有严重细菌感染（脓毒症）的患者有时在接受了强力、救命的抗生素后反而病情加重。抗生素确实杀死了细菌，但在这样做的同时，它导致细菌破裂，释放出大量的结构性PAMPs。免疫系统识别到敌人的模式，发动了大规模的炎症反应，而这种反应本身就可能变得具有破坏性，尽管入侵者已不再存活。这是一个严酷的提醒，免疫系统响应的是基本模式，而不是生命或意图。
我们也可以利用这个系统为我们服务，现代mRNA疫苗就是一个绝佳的例子。教导我们细胞制造病毒蛋白的合成mRNA具有一个内在的额外功能：RNA分子本身可以被像Toll样受体7和8这样的PRR识别为PAMP。它充当了自己的佐剂，实质上是在告诉免疫系统：“密切关注我携带的信息！”这种内置的危险信号确保了针对最终产生的蛋白质能引发强有力的免疫反应，这是一项巧妙的生物工程杰作，它借助了数百万年的进化设计。
第二类模式或许更为微妙：损伤相关分子模式（DAMPs）。这些是我们自己细胞的分子，通常被隐藏在细胞内部。当细胞受到压力、损伤或经历凌乱的坏死性死亡时，这些内含物会泄漏到环境中。时刻警惕的免疫系统在它们不该出现的地方看到这些分子，并识别出“自身处于危难中”的模式。对DAMPs的这种识别是驱动无菌性炎症——即在没有任何感染的情况下发生的炎症——的原因。
这个概念为一系列慢性疾病提供了深刻的见解。在帕金森病等神经退行性疾病中，一种正常的脑蛋白-synuclein的错误折叠会产生聚集体，这些聚集体被大脑的免疫细胞（小胶质细胞）识别为DAMP。这通过像TLR2和TLR4这样的PRR触发慢性炎症，导致了疾病中看到的进行性损伤。同样，在某些癌症中，肿瘤细胞的混乱特性——其不稳定的基因组将DNA释放到细胞质中——可以触发内部的PRR。这造成了一种由细胞自身的DAMPs驱动的慢性、自我维持的炎症状态，而这种炎症反而可能助长肿瘤的生长和存活。在所有这些案例中，逻辑都是相同的：系统正在识别一种基本的危险模式并作出相应的反应。
如果说免疫系统是自然的模式发现者，那么手握计算工具的现代科学家就是它有抱负的学生。我们采用了相同的核心原则，并将其应用于解码隐藏在海量生物数据中的巨大模式。
一个绝佳的类比有助于阐明目标。想象你是一位试图理解消费者行为的市场分析师。你拥有数千名顾客的“购物历史”，每个历史都表示为一系列购买的商品。你的目标不仅仅是找出哪些商品最受欢迎。你想揭示常见的路径——例如，购买新烤架的人接下来会倾向于购买香料，然后是庭院家具吗？要做到这一点，你会使用一种直接从生物信息学借鉴的技术：多序列比对。真正的目标不仅仅是排列相同的购买行为，而是要识别购买旅程中的“同源”步骤，并使用空位来解释跳过的步骤。一次成功的比对将揭示一个典型消费者潜在的、隐含的路径，这比一份简单的商品列表要有价值得多。
这正是我们对生物序列所做的事情。在基因组学中，我们比对来自不同物种的DNA序列，以寻找保守的“基序”——这些短小的、重复的模式通常充当调节基因活性的蛋白质的结合位点。这方面的一个高级应用体现在对减数分裂的研究中，减数分裂是产生精子和卵子的细胞分裂过程。科学家们可以绘制出我们DNA被编程用来断裂和重组的精确位置。通过计算性地搜索在这些“热点”区域统计上富集的模式，他们可以发现由PRDM9蛋白识别的特定DNA序列，而PRDM9是启动这一基本生物过程的主调节因子。
现代人工智能，特别是深度学习，极大地增强了我们发现这些模式的能力。我们可以训练一个卷积神经网络（CNN）——一种受视觉皮层启发的架构——来区分不同类型的基因组区域，例如增强子（促进基因活性）和非活性DNA。训练好的模型本质上是一个学会了“看”模式的黑盒子。但神奇之处不止于此。我们随后可以对模型本身进行一种“计算神经科学”，探查它的过滤器，看看它究竟学会了将哪些DNA基序与增强子活性联系起来。实际上，我们是在请机器向我们展示它所发现的模式。
这种方法可以变得更加复杂。为了预测一个基因如何被剪接——一个单一基因可以通过包含或排除不同的片段（外显子）来产生多种蛋白质的过程——科学家们构建了混合模型。这些模型使用卷积来发现剪接位点附近的作为调控信号的局部模式，同时使用一种不同的机制，称为“注意力机制”，来发现长程相互作用，即数千个碱基对之外的调控元件可以影响结果。这反映了生物学本身的复杂性，即模式在多个尺度上运作。
模式发现不仅限于像DNA这样的静态序列；它在解读随时间展开的模式方面同样强大。这正是临床诊断的精髓所在。
思考一下诊断自主神经功能衰竭的挑战，这是一种神经系统对血压等功能的自动控制失常的病症。医生可以进行一系列反射测试，比如身体的快速倾斜或受控的用力（瓦尔萨尔瓦动作），并观察身体的反应。区分不同综合征的关键在于血压和心率的时间模式。健康人对瓦尔萨尔瓦动作有特征性的四相血压反应，但患有某些类型自主神经功能衰竭的人会显示出一种“钝化”的模式。要看到这种在数秒内展开的模式，需要一个连续的、逐跳的血压监测器。一个每分钟测量一次的间歇式袖带会完全错过这个关键的动态特征，就像慢快门相机会模糊掉蜂鸟的翅膀一样。在时间中解析模式的能力是使诊断成为可能的关键。
引人注目的是，这种思维模式——通过时间模式识别进行诊断——与医学本身一样古老。远在连续监测器出现之前，像10世纪伟大的波斯学者Abū Bakr al-Rāzī（Rhazes）这样的医生已经是模式识别大师。在他的奠基性著作中，他细致地描述了如何通过观察多日内发烧的模式来区分疾病。他教导临床医生区分稽留热（持续高热）、弛张热（波动但从不恢复正常）和间歇热（阵发性高热，期间有正常体温期）。他明白，这种时间模式与其他体征相结合，是解开疾病身份的关键，这使他能够首次著名地将天花与麻疹区分开来。
从古代医生追踪发烧病程，到现代神经学家分析血压轨迹；从我们自身的免疫细胞发现细菌碎片，到深度学习算法解码基因的调控密码，其原理是相同的。对知识的追求，在许多方面，就是对模式的追求。它是一个统一的概念，揭示了自然运作方式与我们学习理解自然的方式之间深刻而美丽的联系。