KI und die schwierigen Probleme der Welt · Lebenswissenschaften · Nature (machine learning) · 2026-10-07
Verallgemeinerbare Vorhersage von Perturbationen
Originaltitel: Generalizable perturbation prediction
Daten zu Zellperturbationen offenbaren kausale regulatorische Zusammenhänge, sind aber oft knapp, was Methoden motiviert, die Reaktionen in einem Kontext aus anderen vorhersagen. Die Autoren entwickelten State, ein Machine-Learning-Modell, das ein Transformer-basiertes Zustandsübergangsmodell für Perturbationseffekte in Einzelzellen mit einem vortrainierten Zelleinbettungsmodell kombiniert. Es wurde mit Perturbationsdaten von über 100 Millionen Zellen und Beobachtungsdaten von 167 Millionen Zellen trainiert, und das Team entwickelte außerdem Cell-Eval, ein Evaluierungsframework zum Vergleich von Modellen.