机器学习与多尺度建模的融合：生物、生物医学与行为科学中的前景、挑战与机遇

在突破性技术发展的推动下，生物、生物医学和行为科学如今收集的数据比以往任何时候都多。迫切需要时间和成本高效的策略来分析和解释这些数据，以推进人类健康。机器学习近期作为整合多模态、多保真度数据并揭示交织现象之间相关性的强大技术崛起，在这方面带来了特殊机遇。然而，经典机器学习技术常忽略基础物理定律，导致不适定问题或非物理解。多尺度建模是整合多尺度、多物理数据并揭示解释功能涌现机制的成功策略。然而，仅靠多尺度建模往往无法高效组合来自不同来源和不同分辨率级别的大型数据集。我们展示了机器学习与多尺度建模如何互补，以创建稳健的预测模型，整合底层物理以处理不适定问题并探索巨大设计空间。我们批判性地回顾了当前文献，在四个总体主题领域——常微分方程、偏微分方程、数据驱动方法和理论驱动方法——中强调应用与机遇、解决开放问题并讨论潜在挑战与局限。为实现这些目标，我们利用了应用数学、计算机科学、计算生物学、生物物理学、生物力学、工程力学、实验学和医学方面的专业知识。我们的多学科视角表明，融合机器学习与多尺度建模可为疾病机制提供新见解，帮助识别新靶点和治疗策略，并为人类健康的决策提供信息。