BriefGPT - AI 论文速递
·
scFusionTTT：利用测试时训练层的单细胞转录组学与蛋白质组学融合
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
研究使用对比自监督学习训练FT-Transformer模型，从miRNA、mRNA或RPPA数据预测癌症类型。相比XGBoost和CatBoost，该模型在标记样本稀缺时表现更好。提出的多模态模型通过后融合处理不同组学，实验显示多模态预训练提升了单一组学的预测效果，尤其在未标记多模态样本丰富时。适用于大量未标记数据但标记样本稀缺的情况。
🎯
关键要点
- 利用对比式自监督学习训练FT-Transformer模型，预测癌症类型。
- 在标记样本稀缺时，该模型优于XGBoost和CatBoost。
- 提出的多模态后融合模型处理不同组学数据。
- 多模态预训练提升了单一组学的预测效果，尤其在未标记样本丰富时。
- 该模型适用于大量未标记数据但标记样本稀缺的情况。
- 展示了对每个组学特定模块进行预训练的高效性。
🏷️
标签
➡️
