物理インフォームド機械学習（PIML）は、特に既知の物理法則に基づく分野で機械学習とメカニズム的理解を統合することに成功してきましたが、生物学への応用にはユニークな課題が存在します。これには、不確実な事前知識やノイズの多いデータ、部分的な可観測性、複雑で高次元なネットワークが含まれます。この記事では、これらの課題をPIMLの進化の触媒と見なすべきであると主張し、PIMLの原則を保持しつつ生物学に適応した生物学インフォームド機械学習（BIML）の提案を行っています。BIMLは、事前知識をより柔軟な確率論的な形式で扱うために、PIMLの手法を再編成します。記事では、遷移のための四つの基本的な柱—不確実性の定量化、文脈化、制約された潜在構造の推測、スケーラビリティ—を示し、基盤モデルや大規模言語モデルが人間の専門知識と計算モデリングをつなぐ重要な役割を果たすと述べています。最終的には、BIMLエコシステムを構築するための具体的な提言を提示しています。