Shift Bioscience（Shift），一家致力于揭示细胞再生生物学以开发针对年龄相关疾病的新型疗法的生物技术公司，宣布了一项新研究的结果。该研究详细介绍了一种改进的虚拟细胞模型排名方法，用于基因发现。
Shift Bioscience的研究描述了新指标和基准的引入，以评估模型性能，为开发更强大的虚拟细胞模型提供了改进框架。新的排名系统还将使Shift能够加速其再生靶点发现流程。
使用单细胞RNA（scRNA）数据集训练的虚拟细胞模型为大规模筛选由各种扰动引起的表型变化提供了一个强有力的解决方案，包括基因的上调和下调。它们为研究人员提供了一个独特的机会，通过将数百年的现实世界实验压缩到几个月的虚拟实验中，从而扩展靶点发现计划，并在进入资源密集型湿实验室研究之前识别最有希望的基因靶点。尽管如此，使用常见性能指标的基准研究报道，最突出的虚拟细胞模型的表现被简单数据集均值所超越——这是对数据集中所有细胞平均结果的预测。
这项新研究由Shift的机器学习主管卢卡斯·保罗·德·利马·卡米洛（Lucas Paulo de Lima Camillo）领导，结合虚拟细胞和现实世界的数据揭示了控制偏差和弱扰动等实验因素在使用常用指标时会误导真实模型性能。基于这一分析，团队制定了一系列步骤，可以用来更好地对模型进行排名，并将重点放在更具生物学意义的变化上。这些预处理步骤包括差异表达基因（DEG）加权评分指标、负正基线校准以及DEG感知优化目标。将这种新方法纳入扰动建模能更好地突出表现不佳的模型，确保只有有效的模型才被用于靶点识别程序。
卡米洛表示：“在这项研究中，我们的团队展示了通过专注于新指标和基准的开发，我们可以更容易地识别出具有强大预测能力的模型。这篇论文提供了基础数据，将使我们能够开发更强大、更有生物学用途的扰动模型，最终加速我们的治疗管道，并帮助我们发现新的再生疗法靶点。”
(全文结束)
