arXiv cs.AI· Ihab Bendidi, Kian Kenyon-Dean, Alisandra K. Denton, Auguste Genovesio, Emmanuel Noutahi·· 4 小时前AI 评分31
Occam:改进单细胞表示学习与扰动效应预测的 MLP 框架
OCCAM: Improved Single-Cell Representation Learning and Perturbation Effect Prediction
AI 导读
Occam 是一个用于表示学习和扰动效应预测的多层感知机(MLP)框架,融合去噪学习的细胞表示与基因交互、文本、蛋白质序列特征,在扰动信息与细胞类型保留的聚合表示得分上最高。
正文 · AI 翻译
摘要:预测遗传扰动的效应需要能够泛化到未观察到的细胞背景和基因组合的模型。我们提出 Occam,一个用于表示学习和扰动效应预测的多层感知机(MLP)框架。Occam 将通过去噪学习到的细胞表示与基因相互作用、文本和蛋白质序列特征相结合。在批次整合下,它在扰动信息和细胞类型保留方面取得了最高的综合表示得分。在跨背景少样本预测中,扰动和细胞背景各自在训练期间被观察到,但从未同时出现。对于这些未观察到的组合,Occam 比四个重新训练的竞争模型或直接从其他训练细胞系迁移同一扰动的测量效应更好地捕捉了测量到的响应模式。在未微调的情况下,在从预测器训练中留出的细胞系中,跨越已见和未见检测,Occam 在评估模型和简单基线中最好地区分扰动。在这些设置中准确预测表达水平仍然具有挑战性。对于同时靶向两个基因的双重扰动,Occam 组合学习到的单基因响应,与竞争模型和单基因效应求和相比,更好地捕捉组合响应并减少表达误差。这些增益扩展到强加性和弱加性响应。总之,这些结果支持简单的 MLP 用于跨背景和基因组合的细胞表示学习和扰动效应预测。
| 主题: | 定量方法 (q-bio.QM);人工智能 (cs.AI);机器学习 (cs.LG) |
| ACM 分类: | I.2.6 |
| 引用为: | arXiv:2611.21959 [q-bio.QM] |
| (或 arXiv:2611.21959v1 [q-bio.QM] 为此版本) | |
| https://doi.org/10.48550/arXiv.2611.21959 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Ihab Bendidi Dr [查看电子邮件]
[v1]
2026年11月16日星期一 22:40:16 UTC(1,030 KB)
来源:arXiv cs.AI · arxiv.org