跳到主要内容
检索

# 扰动响应预测

5 篇关联报道

订阅更新
  1. arXiv

    S1Pert把基因扰动预测从“背频率”拉回目标本身:四个细胞系宏F1最高0.850

    CRISPR扰动筛选里,模型常靠记住某个基因历史上爱升还是爱降来拿高分,却分不清是哪个扰动靶点造成的。S1Pert把统计上说不清的响应排除在监督之外,用冻结编码器离线缓存靶点、查询基因和历史证据的表示,在线只跑轻量解码器。在HepG2、Jurkat、RPE1、K562四个细胞系上,它的宏F1分别为0.850、0.698、0.785、0.769,比最强基线高5.8至6.4个百分点。

  2. bioRxiv

    基因在注意力里不再按序号排队:SPEAR把共表达几何与扰动后重定位写进旋转角

    单细胞扰动预测的Transformer需要给基因一个位置,但基因没有天然顺序,静态共表达掩码又无法反映扰动引起的调控重连。SPEAR把每个基因的位置改为共表达图拉普拉斯给出的连续坐标,并在每一层由扰动条件下的隐状态重新推导标量位置,两者相加成一个旋转角。在遗传、药物和细胞因子扰动基准上,SPEAR在差异表达方向与幅度等指标上优于包括scDFM在内的基线,并在留出组合上取得最大差距。

  3. bioRxiv

    细胞扰动预测不再依赖变量取值:RELAY只用共享变量关系,PBMC-3D上PDCorr达0.495

    细胞对扰动的响应由扰动身份、细胞类型、供体和剂量等多个实验变量共同决定,每个已测细胞群只占据这个多维条件空间的一个坐标。以往方法要先给出这些变量的显式表示,遇到训练中没出现过的取值就难以泛化。RELAY改为从与目标共享部分变量的已测对照—扰动细胞对中推断,只告诉模型共享了哪些变量、不提供变量取值;在化学、遗传和细胞因子扰动数据上,它在未见变量取值设定下优于STACK、scGen和TabPFN,在未见组合设定下优于受监督方法,PBMC-3D上PDCorr为0.495,而最强受监督基线STATE为0.225。

  4. arXiv

    细胞世界模型的高相关分数被拆穿:GEARS全局皮尔逊0.977,扰动增量上只有0.076

    在Replogle K562的509个未见扰动上,GEARS预测转录组与观测的全局皮尔逊相关达0.977,但把对照基线减掉、只看扰动引起的增量后只剩0.076;对每个扰动都预测训练集平均增量的平凡基线反而达到0.267。这一差距源于全局相关被数千个不响应基因主导,因此增量空间评估被提为主要基准,并给出两种无需重训的事后校正与一个定位残差来源的检索上界。

  5. 面向肝病学的AI虚拟细胞:单细胞模型中的表征、生成、动力学与干预

    这篇综述将当前通往肝脏AI虚拟细胞(AIVC)的研究组织为三条互补建模路线——生成模型表征细胞状态、动力学与转运模型推断状态转换、预训练或基础模型检验表征能否跨供体、病因、疾病阶段与平台迁移——并以扰动响应预测作为贯穿性评估,指出已发表模型仅展示了图谱整合、轨迹推断、可迁移表征与回顾性响应程序等单个组件,尚不构成经前瞻性验证的肝脏模拟器,近期应优先用于实验选择与假设生成,临床决策支持仍是更长期目标。

已读完全部报道