GeneDisco：药物发现中实验设计的基准
机器学习
2021-10-25 v1 机器学习
摘要
利用例如 CRISPR 技术等遗传干预进行的体外细胞实验，是早期药物发现与靶点验证的关键步骤，用于评估生物机制与疾病病理之间因果关联的初步假设。由于有待检验的假设达数十亿之巨，体外遗传实验的实验设计空间极为广阔，而即便全球最大的研究机构，其可用实验能力相较这一生物假设空间也微不足道。机器学习方法，如主动学习与强化学习，可通过整合来自多信息源的先验知识，并基于已有数据外推至实验设计空间中尚未探索的区域，来辅助最优地探索广阔的生物空间。然而，针对这一挑战性任务尚不存在标准化基准与数据集，且迄今该领域研究甚少。在此，我们推出 GeneDisco，一个用于评估药物发现中实验设计的主动学习算法的基准套件。GeneDisco 包含一组精心整理的多个公开可用实验数据集，以及用于实验设计与探索的最先进主动学习策略的开源实现。
引用
@article{arxiv.2110.11875,
title = {GeneDisco: A Benchmark for Experimental Design in Drug Discovery},
author = {Arash Mehrjou and Ashkan Soleymani and Andrew Jesson and Pascal Notin and Yarin Gal and Stefan Bauer and Patrick Schwab},
journal= {arXiv preprint arXiv:2110.11875},
year = {2021}
}