Shift Bioscience publikuje vylepšený metrický kalibrační rámec pro robustní modelování genetických poruch pomocí AI Virtual Cells
Shift Bioscience (Shift), biotechnologická společnost odhalující biologii buněčného omlazování s cílem skoncovat s nemocností a úmrtností stárnutí, dnes oznámila vydání nového výzkumu podrobně popisujícího vylepšený rámec pro vyhodnocování srovnávacích metrických kalibrací ve virtuálních buněčných modelech. Pomocí dobře kalibrovaných metrik studie ukazuje, že modely virtuálních buněk trvale překonávají klíčové základní linie a poskytují cenné a použitelné biologické poznatky pro urychlení procesu identifikace cíle.
Modely odezvy na genetickou poruchu jsou podskupinou virtuálních buněk AI používaných k předpovědi, jak buňky budou reagovat na různé genetické změny, včetně up- a down-regulace genů. Tyto modely jsou cenným nástrojem pro rozšiřování kanálů identifikace cílů a poskytují rychle škálovatelné, in silico řešení pro identifikaci slibných genetických cílů bez časových a finančních požadavků na experimenty v mokré laboratoři. Nedávno publikované články však zpochybňovaly užitečnost těchto modelů ke správné identifikaci genových cílů a upozorňují na obavy, že modely virtuálních buněk v některých experimentech nepřekonají jednoduché, neinformativní základní linie.
V této nejnovější studii od Shift Bioscience tým ukázal, že případy špatného výkonu modelu do značné míry odrážejí chybnou kalibraci metriky, přičemž běžně používané metriky běžně nedokážou rozlišit robustní předpovědi od neinformativních, zejména v souborech dat se slabšími poruchami. Na základě tohoto zjištění tým vyvinul vylepšený rámec pro metrickou kalibraci. Pomocí 14 datových sad perturb-seq tým identifikoval několik metrik založených na hodnocení a založených na DEG (Differentially Expressed Gene), které jsou dobře kalibrované napříč datovými sadami.
Virtuální buněčné modely vyhodnocené pomocí těchto dobře kalibrovaných metrik byly schopny trvale překonat neinformativní střední, kontrolní a lineární základní linie, což poskytuje jasný důkaz, že virtuální buněčné modely dokážou rozlišit biologicky významné signály, když je použita vhodná kalibrace. Tyto výsledky zpochybňují předchozí zprávy, že modely genetické poruchy nefungují, a naznačují, že virtuální buňky AI lze efektivně použít pro objevování cíle.
Tento nejnovější výzkum našeho talentovaného týmu poskytuje jasný důkaz, že zprávy o slabém výkonu ve virtuálních buňkách AI jsou z velké části způsobeny omezeními metrik, nikoli problémy s modely. Ukázali jsme, že když jsou modely hodnoceny na základě dobře kalibrovaných metrik, fungují docela dobře a trvale překonávají klíčové základní linie. Věříme, že tato práce otevírá dveře k širšímu používání virtuálních buněk a posiluje naši důvěru v modely virtuálních buněk, které pomáhají řídit náš cílový identifikační program pro omlazení buněk.„
Henry Miller, Ph.D., vedoucí strojového učení, Shift Bioscience
