基于大扰动模型的体外生物发现
机器学习
2025-04-01 v1 定量方法
统计方法学
摘要
扰动实验生成的数据将扰动与其引发的变化联系起来，因此包含大量生物发现任务相关信息——包括理解生物实体之间的关系以及开发疗法。然而，这些数据涵盖多样化的扰动和读出方式，且实验结果对生物背景的复杂依赖性使跨实验整合洞见具有挑战。本文提出了大扰动模型（Large Perturbation Model, LPM），一种深度学习模型，通过将扰动、读出和背景表示为解耦维度来整合多异构扰动实验。LPM 在多个生物发现任务中超越现有方法，包括预测未见实验的后扰动转录组、识别化学与遗传扰动之间的共享分子作用机制以及促进基因-基因相互作用网络的推断。
引用
@article{arxiv.2503.23535,
title = {In-silico biological discovery with large perturbation models},
author = {Djordje Miladinovic and Tobias Höppe and Mathieu Chevalley and Andreas Georgiou and Lachlan Stuart and Arash Mehrjou and Marcus Bantscheff and Bernhard Schölkopf and Patrick Schwab},
journal= {arXiv preprint arXiv:2503.23535},
year = {2025}
}