用于在组合扰动空间中高效发现最优基因组合的主动学习
基因组学
2024-12-12 v2 机器学习
摘要
新型组合 CRISPR 筛选技术的进步使得大规模鉴定协同基因组合成为可能。这对于开发新型有效的联合疗法至关重要，但组合空间使得穷举实验不可行。我们引入了 NAIAD，这是一个主动学习框架，能够高效发现可驱动细胞朝向所需细胞表型的最优基因对。NAIAD 利用单基因扰动效应和随训练数据大小扩展的自适应基因嵌入，在缓解小样本学习中过拟合的同时，随着更多数据的收集捕获复杂的基因相互作用。在总计超过 350,000 个基因相互作用的四个 CRISPR 组合扰动数据集上进行评估，在小数据集上训练的 NAIAD 相对于次优方法性能提升了高达 40%。NAIAD 的推荐系统优先考虑具有最大预测效应的基因对，从而在每轮 AI-实验迭代中产生最高的边际增益，并以更少的 CRISPR 实验迭代加速发现。我们的 NAIAD 框架 (https://github.com/NeptuneBio/NAIAD) 改进了对新型有效基因组合的鉴定，实现了更高效的 CRISPR 文库设计，并在基因组学研究和治疗开发中提供了有前景的应用。
引用
@article{arxiv.2411.12010,
title = {Active learning for efficient discovery of optimal gene combinations in the combinatorial perturbation space},
author = {Jason Qin and Hans-Hermann Wessels and Carlos Fernandez-Granda and Yuhan Hao},
journal= {arXiv preprint arXiv:2411.12010},
year = {2024}
}