跳到正文
原文
arXiv · Quantitative Methods· Ihab Bendidi, Kian Kenyon-Dean, Alisandra K. Denton 等 5 人
· 3 天前

OCCAM:改进的单细胞表征学习与扰动效应预测

OCCAM: Improved Single-Cell Representation Learning and Perturbation Effect Prediction

预印本 · 尚未经过同行评审

AI 导读

Occam 用多层感知机结合去噪表征与基因、文本、蛋白序列特征,提升跨情境扰动效应预测。

摘要 · AI 翻译

预测遗传扰动的效应需要能够泛化到未观察到的细胞背景和基因组合的模型。我们提出 Occam,一个用于表征学习和扰动效应预测的多层感知机(MLP)框架。Occam 将通过去噪学习到的细胞表征与基因相互作用、文本和蛋白质序列特征相结合。在批次整合下,它在扰动信息和细胞类型保持方面取得了最高的综合表征得分。在跨背景少样本预测中,一个扰动和一个细胞背景各自在训练期间被观察到,但从未同时出现。对于这些未观察到的组合,Occam 比四个重新训练的竞争模型或从其他训练细胞系直接迁移同一扰动的实测效应更好地捕捉了实测响应模式。在未参与预测器训练的细胞系中,跨已见和未见检测,无需微调,Occam 在所评估的模型和简单基线中最好地区分扰动。在这些设置下准确预测表达水平仍然具有挑战性。对于同时靶向两个基因的双扰动,Occam 组合学习到的单基因响应,与竞争模型和单基因效应相加相比,更好地捕捉了组合响应并降低了表达误差。这些增益扩展到强加性和弱加性响应。总之,这些结果支持使用简单的 MLP 进行细胞表征学习以及跨背景和基因组合的扰动效应预测。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Quantitative Methods · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。