PRESCRIBE：基于贝叶斯估计预测单细胞响应
机器学习
2025-10-10 v1 定量方法
摘要
在单细胞扰动预测中，一项核心任务是预测训练数据中未出现的基因被扰动后的效应。此类预测的有效性取决于两个因素：（1）目标基因与训练数据中所覆盖基因的相似性，这为模型（认知）不确定性提供信息；以及（2）相应训练数据的质量，这反映了数据（偶然）不确定性。这两个因素对于确定预测的可靠性都至关重要，特别是考虑到基因扰动本质上是一个随机生化过程。在本文中，我们提出了 PRESCRIBE（PREdicting Single-Cell Response wIth Bayesian Estimation），一种用于同时测量两种不确定性来源的多变量深度证据回归框架。我们的分析表明，PRESCRIBE 能有效估计每个预测的置信度评分，该评分与其实际准确率高度相关。这一能力使得不可信结果的过滤成为可能，在我们的实验中，与可比基线相比，它实现了超过 3% 的稳定准确率提升。
引用
@article{arxiv.2510.07964,
title = {PRESCRIBE: Predicting Single-Cell Responses with Bayesian Estimation},
author = {Jiabei Cheng and Changxi Chi and Jingbo Zhou and Hongyi Xin and Jun Xia},
journal= {arXiv preprint arXiv:2510.07964},
year = {2025}
}
备注
39th Conference on Neural Information Processing Systems (NeurIPS 2025)