arXiv cs.AI· Jinrui David, Yun Peng·· 10 小时前AI 评分29
ReliFlow:面向组合单细胞扰动预测的可靠性校准残差传输模型
ReliFlow: Reliability-Calibrated Residual Transport for Combinatorial Single-Cell Perturbation Prediction
AI 导读
ReliFlow 用条件流匹配模型从仅训练数据的交叉拟合中估计单基因效应的可靠性,并据此校准加性源分布,将速度场分解为加性参考的已知修正与学习到的残差传输场。
正文 · AI 翻译
摘要:预测对组合扰动的转录响应,需要区分干预之间的相互作用与其各自效应估计中的误差。当单扰动证据稀疏或被扣留时,后者会变得更加明显。我们引入一种条件流匹配模型,该模型仅通过训练阶段的交叉拟合来估计单基因效应的可靠性,并利用这些估计来校准加性源分布。速度被分解为加性参考的已知校正项与学习到的残差传输场。在 Norman 遗传扰动上,对于已观测单扰动的未见组合,平均绝对误差(MAE)从 0.142 降至 0.131;当组成单扰动被扣留时,MAE 从 0.198 降至 0.178。在留出的 ComboSciPlex 药物组合上,MAE 从 0.191 降至 0.176。非加性残差相关性从 0.574 提升至 0.638,组件消融实验确认了可靠性加权的贡献。结果表明,考虑不确定的组成效应可改善对未见遗传与化学组合的泛化能力,同时训练成本适度增加。
| 学科: | 机器学习(stat.ML);人工智能(cs.AI);机器学习(cs.LG) |
| 引用为: | arXiv:2611.23999 [stat.ML] |
| (或 arXiv:2611.23999v1 [stat.ML] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23999 arXiv 颁发的 DOI 通过 DataCite(待注册) |
提交历史
来自:Peng Yun [查看邮箱]
[v1]
2026年11月18日 星期三 07:46:28 UTC(111 KB)
来源:arXiv cs.AI · arxiv.org