L'IA face aux grands problèmes du monde · Sciences du vivant · Nature (machine learning) · 2026-10-07
Prédiction généralisable des perturbations
Titre original: Generalizable perturbation prediction
Les données de perturbation cellulaire révèlent des relations de régulation causales, mais ces données sont souvent rares, ce qui motive le développement de méthodes prédisant les réponses dans un contexte à partir d'autres. Les auteurs ont développé State, un modèle d'apprentissage automatique qui combine un modèle de transition d'état basé sur un transformeur pour les effets de perturbation en cellule unique avec un modèle pré-entraîné de plongement cellulaire. Il a été entraîné sur des données de perturbation issues de plus de 100 millions de cellules et sur des données observationnelles issues de 167 millions de cellules, et l'équipe a également créé Cell-Eval, un cadre d'évaluation pour comparer les modèles.