CellCanon پیش‌بینی و توضیح پاسخ سلول‌ها را با شواهد تازه به‌روزرسانی می‌کند

پژوهشگران CellCanon را معرفی کرده‌اند؛ مدلی برای پیش‌بینی بیان ژن در سلول‌های منفرد که می‌تواند توضیح‌های خود را به شواهد پیوند دهد و با دریافت اندازه‌گیری‌های تازه، پیش‌بینی‌ها و داوری‌های زیستی‌اش را بازنگری کند. مقاله در arXiv منتشر شده و هنوز پیش‌چاپ است.

هستهٔ پیش‌بینی CellCanon شواهد زیستی مربوط به هر وضعیت را میان خوانش‌های عددی ژن‌های مختلف به‌کار می‌گیرد. سامانه همچنین یک وضعیت مشترک نگه می‌دارد که پیش‌بینی‌ها، اندازه‌گیری‌های به‌دست‌آمده و ادعاهای متصل به منابع را به هم پیوند می‌دهد؛ سازوکاری که بنا بر مقاله، توضیح و بازنگری را پشتیبانی می‌کند.

در ارزیابی روی ۳۳۹ وضعیتِ کنارگذاشته‌شده از مجموعه‌دادهٔ SciPlex3 و در سه ردهٔ سلولی، CellCanon نسبت به بهترین خط مبنا برای هر معیار، امتیاز AUPRC در بیان افتراقی را ۶۳٫۳ درصد و Macro-F1 را ۱۷٫۳ درصد بهبود داد. بهبود Macro-F1 در تعیین جهت تغییر نیز ۷٫۲ درصد بود.

در مقایسه با استدلال جداگانه برای هر ژن در مجموعه‌های داروـسلولِ همسان، مصرف توکن‌های اندازه‌گیری‌شدهٔ مدل زبانی برای پیش‌بینی ۹۹٫۷۷ درصد و برای توضیح ۹۸٫۴۱ درصد کمتر بود. در بنچمارک مبتنی بر منابع، بخش توضیح به همهٔ پرسش‌های دارای پاسخ، همراه با شواهد پشتیبان، پاسخ درست داد و همهٔ موارد فاقد شواهد کافی را تشخیص داد.

در شبیه‌سازی بازخورد آزمایشی، بخش به‌روزرسانی با یک زمینهٔ اندازه‌گیری‌شده برای هر دارو توانست از بهترین خط‌مبناهای تنظیم‌دقیق‌شده در AUPRC و Macro-F1 بیان افتراقی پیشی بگیرد، بی‌آنکه وزن‌های مدل تغییر کند.