Nuovo Benchmark e Metodi per l'Inferenza di Reti Regolatorie Geniche da Modelli Fondamentali di Singola Cellula
Un nuovo studio su arXiv (2605.08128) affronta la sfida dell'inferenza delle Reti Regolatorie Geniche (GRN) utilizzando modelli fondamentali di singola cellula (scFM). Sebbene gli scFM promettano una migliore codifica trascrittomica, le loro prestazioni nell'inferenza delle GRN rimangono scarse perché il pre-addestramento standard basato sulla ricostruzione non riesce a catturare i segnali regolatori latenti. Gli autori introducono un benchmark di generalizzazione per GRN per valutare le previsioni zero-shot su geni e dataset non visti, un compito difficile per i metodi tradizionali. Propongono anche due nuovi metodi—Virtual Value Perturbation e Gradient Trajectory—per distillare la conoscenza regolatoria dai modelli fondamentali.
Fatti principali
- Il paper arXiv 2605.08128 affronta l'inferenza delle GRN da dati trascrittomici di singola cellula.
- Gli obiettivi di pre-addestramento standard negli scFM non riescono a catturare i segnali regolatori.
- Un nuovo benchmark di generalizzazione per GRN valuta le previsioni zero-shot su geni e dataset non visti.
- Due metodi proposti: Virtual Value Perturbation e Gradient Trajectory.
- Il benchmark è intrinsecamente difficile per i metodi tradizionali di inferenza delle GRN.
- Lo studio mira a sbloccare la conoscenza regolatoria all'interno dei modelli fondamentali.
- I modelli fondamentali di singola cellula (scFM) sono utilizzati per la codifica trascrittomica.
- Il paper è classificato come annuncio di tipo incrociato.
Entità
Istituzioni
- arXiv