Két új technikával oldják fel a génszabályozó hálózatok korlátait a Foundation modellekben
A sejtek komplex mechanizmusainak megértéséhez kulcsfontosságú génszabályozó hálózatok (GRN) inferenciáját forradalmasíthatják az új egysejtes alapmodellek (scFM).
Az egysejtes alapmodellek (scFM) megjelenése ellenére a génszabályozó hálózatok (GRN) inferenciájának jelenlegi teljesítménye messze nem kielégítő — írják kutatók az arXiv előnyomtatott tanulmányában.
A probléma gyökere a szerzők szerint az, hogy a standard, rekonstrukció-alapú előképzési célok gyakran nem képesek explicit módon megragadni a látens szabályozási jeleket. Ezért egy új GRN általánosítási teljesítménytesztet vezettek be, amely a scFM-ek zero-shot képességeire támaszkodva értékeli a szabályozási előrejelzéseket ismeretlen géneken és adathalmazokon.
A szabályozási rejtélyek feltárása
A kutatók két új módszert is javasolnak, a Virtual Value Perturbation és a Gradient Trajectory technikákat, amelyekkel a Foundation modellekben rejlő implicit szabályozási ismereteket lehet kinyerni. Ezek a módszerek áthidalhatják a hiányosságokat, és pontosabb GRN-inferenciát tehetnek lehetővé.
A génszabályozás új távlatokban
A tanulmány az arXiv:2605.08128v1 azonosító alatt érhető el, és a jövőbeni kutatások alapját képezheti a sejtműködés mélyebb megértéséhez. A kutatók reményeik szerint a Virtual Value Perturbation és a Gradient Trajectory technikák 2024-ben további fejlesztéseken mennek keresztül a Foundation modellek fejlesztői, a Meta AI csapata által.