总部位于剑桥的抗衰老专家Shift Bioscience推出了一种全新的排名系统，该公司认为这将加速其细胞再生目标发现流程。这一进步是对一项新研究结果的响应，该研究详细描述了改进的虚拟细胞模型排名方法。
这项研究由Shift Bioscience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，引入了新的指标和基准来评估模型性能，提供了一个更强大的框架，用于开发功能更强大的虚拟细胞模型。
使用单细胞RNA（scRNA）数据集训练的虚拟细胞模型为大规模筛查由各种扰动引起的表型变化提供了强有力的解决方案，包括基因的上调和下调。这些模型为研究人员提供了独特的机会，能够将数百年的现实实验压缩到数月的虚拟实验中，从而在进入资源密集型湿实验室研究之前识别最有潜力的基因靶点。
然而，使用常见性能指标进行的基准测试研究表明，最突出的虚拟细胞模型的表现甚至不如简单的数据集均值——即数据集中所有细胞平均结果的预测值。
卢卡斯·保罗·德·利马·卡米洛（Lucas Paulo de Lima Camillo）领导的新研究结合了虚拟细胞和真实世界的数据，揭示了诸如对照偏差和弱扰动等实验因素会扭曲使用常用指标时的真实模型性能。
基于这一分析，团队开发了一系列步骤，可以更好地对模型进行排名，并将注意力集中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、负向和正向基线校准，以及DEG感知优化目标。
Shift Bioscience表示，将这一新方法纳入扰动建模中可以更好地突出表现不佳的模型，确保只有高效的模型被用于目标识别计划。
卢卡斯·保罗·德·利马·卡米洛（Lucas Paulo de Lima Camillo）表示：“在这项研究中，我们的团队展示了通过专注于开发新指标和基准，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，将帮助我们开发更强大且生物学上有用的扰动模型，最终加速我们的治疗管线，并帮助我们发现新的细胞再生疗法靶点。”
(全文结束)
