BriefGPT - AI 论文速递
·
CRADLE-VAE：通过反事实推理增强单细胞基因扰动建模中的伪影解耦
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于编码-解码架构的深度学习框架，用于基于表型的化合物筛选。通过循环一致性约束条件和线性建模，可以学习可解释且可迁移的药物干扰表示。实验证明该模型性能优于现有方法。
🎯
关键要点
- 基于表型的筛选方法在识别活性化合物方面受到关注。
- 提出了一种基于编码-解码架构的深度学习框架。
- 该框架将初始细胞状态映射到潜在空间，假设药物影响符合线性可加性。
- 引入循环一致性约束条件，确保药物干扰的细胞状态可以恢复到初始状态。
- 循环一致性约束和线性建模学习可解释且可迁移的药物干扰表示。
- 模型能够预测未知药物的细胞响应。
- 在三种不同类型的数据集上验证模型，包括批量转录响应、批量蛋白响应和单细胞转录响应。
- 实验结果显示模型性能优于现有最先进方法。
🏷️
标签
➡️
