扰动预测器可以学习基因相互作用吗？代理筛查中的诊断外推法

摘要

arXiv:2610.18880v1 Announce Type: new Abstract: High-throughput perturbation screens increasingly use machine-learning models to predict the effects of gene combinations that were never measured. A di...

the additive gene this prediction and perturbation models effects were

2026-10-15 1 阅读约1分钟阅读 Ziyuan Gao

arXiv:2610.18880v1 公告类型：新摘要：高通量扰动屏幕越来越多地使用机器学习模型来预测从未测量过的基因组合的影响。当测试对中的两个基因在训练期间被单独看到，但它们的组合却没有时，就会出现一个困难的情况。在这种情况下，标准的 OOD 方法常常会失败，因为这两个基因本身都不显得陌生。因此，我们将每个模型预测与通过对两个观察到的单基因效应求和而获得的简单加性预测进行比较。它们之间的差异，我们称之为加性分歧（AD），衡量模型为看不见的组合引入了多少额外的相互作用效应。在八种预测方法和三个 Perturb-seq 数据集中，专门的神经预测器并不总是优于这个简单的加性基线。更重要的是，与附加基线偏差较大的预测往往会产生较大的误差。传统的基于输出和基于嵌入的置信信号在数据集和模型之间不一致，而 AD 在所有评估的成分设置中仍然提供信息。我们进一步研究该信号如何指导代理扰动筛选工作流程中的决策。代码可在 https://github.com/zygao930/OOD 获取。

订阅66必读