La IA y los problemas difíciles del mundo · Ciencias de la vida · arXiv · 2026-10-22
Un autoencoder supera a dos transformers en la predicción de la expresión génica a partir de la accesibilidad de la cromatina
Título original: An autoencoder outperforms two transformers on prediction of gene expression from chromatin accessibility
Los modelos que predicen la abundancia de ARN a partir de la accesibilidad de la cromatina rara vez se comparan bajo las mismas características, objetivos y métricas, por lo que los autores construyeron un benchmark sobre 126,604 perfiles emparejados de núcleo único procedentes de 19 estudios humanos, con un vocabulario compartido de 50,000 picos y 3,185 genes, y compararon siete pipelines. El pipeline scButterfly-B, construido sobre autoencoders variacionales duales, superó a todos los pipelines basados en transformers — incluido el modelo Perceiver autorregresivo Omic Translator y una reformulación de Cisformer sin soporte — en la correlación de Spearman por gen y dentro de la célula en las sesenta comparaciones emparejadas de folds, con un entrenamiento 3.8 veces más corto. Los transformers se sitúan a 0.02-0.04 en la forma del perfil dentro de la célula, pero quedan 0.10-0.24 por detrás en la correlación por gen, y las ablaciones preespecificadas muestran que el encoder del Perceiver aportó +0.0439 en la correlación por gen dentro del mismo donante frente a la autoatención completa.