تنبؤ الاستجابات الخلوية للاضطرابات في سياقات متنوعة باستخدام الحالة

réponses الخلوية للاضطرابات هي حجر الزاوية لفهم الآليات الحيوية واختيار الأهداف الدوائية المحتملة. بينما تقدم النماذج الحاسوبية إمكانات هائلة في التنبؤ بآثار الاضطرابات مقارنة بالطرق التجريبية، فإنها تعاني حالياً من صعوبة في تعميم هذه الآثار من السياقات الخلوية المراقبة تجريبياً إلى السياقات غير المراقبة. هنا، نقدم "State" (حالة)، وهي بنية تعلم آلي قادرة على التنبؤ بآثار الاضطرابات مع مراعاة التنوع الخلوي داخل وعبر تجارب الاضطرابات. يعمل "State" عبر مقاييس فيزيائية مختلفة: يتكون من نموذج انتقال حالة يتعلم آثار الاضтурبات عبر مجموعات الخلايا باستخدام بيانات من أكثر من 100 مليون خلية مضطربة عبر 70 سياق خلوي، ونموذج تمثيل خلوي مدرب على بيانات خلوية مراقبة من 167 مليون خلية بشرية. أدى "State" إلى تحسين تمييز آثار الاضطرابات بنسبة تزيد عن 50% في عدة قواعد بيانات كبيرة، وحدد الجينات المعبر عنها بشكل مختلف حقاً عبر الاضطرابات الجينية والمرسلة الكيميائية بدقة تزيد عن倍ين existing models (النماذج الموجودة). باستخدام نموذج التمثيل الخاص به، يمكن لـ "State" أيضاً تحديد الاضطرابات القوية في سياقات خلوية جديدة لم يتم ملاحظة أي اضطرابات فيها أثناء التدريب. نقدم أيضاً "Cell-Eval" (تقييم الخلية)، وهو إطار شامل لتقييم يستخدم مقاييس ذات صلة بيولوجياً ويبرز كيف يمكّن "State" من اكتشاف أكثر دقيق للRéponses réponses (réponses) الخاصة بأنواع الخلايا المرتبطة ببقاء الخلية. بشكل عام، فإن الأداء والمرونة التي يتمتع بها "State" يمهدان الطريق لتوسيع نطاق تطوير نماذج الخلية الافتراضية. 请注意，上文中的“Réponses réponses”可能是原文中的笔误，应为“perturbation responses”。正确的翻译应该是： الاستجابات الخلوية للاضطرابات هي حجر الزاوية لفهم الآليات الحيوية واختيار الأهداف الدوائية المحتملة. بينما تقدم النماذج الحاسوبية إمكانات هائلة في التنبؤ بآثار الاضطرابات مقارنة بالطرق التجريبية، فإنها تعاني حالياً من صعوبة في تعميم هذه الآثار من السياقات الخلوية المراقبة تجريبياً إلى السياقات غير المراقبة. هنا، نقدم "State" (حالة)، وهي بنية تعلم آلي قادرة على التنبؤ بآثار الاضطرابات مع مراعاة التنوع الخلوي داخل وعبر تجارب الاضطرابات. يعمل "State" عبر مقاييس فيزيائية مختلفة: يتكون من نموذج انتقال حالة يتعلم آثار الاضتوربات عبر مجموعات الخلايا باستخدام بيانات من أكثر من 100 مليون خلية مضطربة عبر 70 سياق خلوي، ونموذج تمثيل خلوي مدرب على بيانات خلوية مراقبة من 167 مليون خلية بشرية. أدى "State" إلى تحسين تمييز آثار الاضطرابات بنسبة تزيد عن 50% في عدة قواعد بيانات كبيرة، وحدد الجينات المعبر عنها بشكل مختلف حقاً عبر الاضطرابات الجينية والمرسلة الكيميائية بدقة تزيد عن ضعف النماذج الموجودة. باستخدام نموذج التمثيل الخاص به، يمكن لـ "State" أيضاً تحديد الاضطرابات القوية في سياقات خلوية جديدة لم يتم ملاحظة أي اضطرابات فيها أثناء التدريب. نقدم أيضاً "Cell-Eval" (تقييم الخلية)، وهو إطار شامل لتقييم يستخدم مقاييس ذات صلة بيولوجياً ويبرز كيف يمكّن "State" من اكتشاف أكثر دقيق للاستجابات الخاصة بأنواع الخلايا المرتبطة ببقاء الخلية. بشكل عام، فإن الأداء والمرونة التي يتمتع بها "State" يمهدان الطريق لتوسيع نطاق تطوير نماذج الخلية الافتراضية.