CAMBRIDGE, England – Shift Bioscience, ein Biotechnologieunternehmen, das die Biologie der Zellverjüngung erforscht, um die Krankheitsbelastung und Sterblichkeit durch Alterung zu beenden, hat neue Forschungsergebnisse veröffentlicht, die ein verbessertes Framework zur Kalibrierung von Bewertungsmetriken für virtuelle Zellmodelle vorstellen. Die Studie zeigt, dass virtuelle Zellmodelle, wenn sie mit korrekt kalibrierten Metriken bewertet werden, konsistent bessere Ergebnisse liefern als etablierte Baselines und wertvolle biologische Erkenntnisse zur Beschleunigung von Zielidentifikationsprozessen liefern können. Genetische Perturbationsmodelle sind eine Untergruppe von KI-gestützten virtuellen Zellen, die vorhersagen, wie Zellen auf verschiedene genetische Veränderungen – wie Aktivierung oder Hemmung von Genen – reagieren. Diese Modelle sind ein wertvolles Werkzeug, um Zielidentifikationspipelines zu unterstützen, da sie eine schnell skalierbare, computergestützte Lösung bieten, um vielversprechende genetische Ziele zu finden, ohne die Zeit- und Ressourcenbelastung klassischer Laborversuche zu benötigen. Allerdings haben kürzlich veröffentlichte Studien die Nützlichkeit dieser Modelle in Frage gestellt und darauf hingewiesen, dass virtuelle Zellmodelle in bestimmten Experimenten nicht besser abschneiden als einfache, wenig informative Baselines. In der aktuellen Forschungsarbeit von Shift Bioscience zeigt das Team, dass schlechte Modellleistungen häufig auf eine mangelhafte Kalibrierung der verwendeten Metriken zurückzuführen sind. Häufig verwendete Bewertungsmaße unterscheiden in vielen Fällen robuste Vorhersagen nicht hinreichend von uninformellen Ergebnissen, besonders bei Datensätzen mit schwächeren Perturbationen. Auf dieser Erkenntnis aufbauend entwickelte das Team ein verbessertes Kalibrierungsframework. Anhand von 14 Perturb-seq-Datensätzen identifizierten sie mehrere rank-basierte und auf Differenziell-exprimierten Genen (DEG) basierende Metriken, die sich als gut kalibriert und konsistent über verschiedene Datensätze hinweg erwiesen. Wenn die virtuellen Zellmodelle mit diesen verbesserten Metriken bewertet wurden, konnten sie eindeutig uninformative Baselines wie Mittelwert-, Kontroll- und lineare Modelle überflügeln. Dies liefert klare Beweise dafür, dass diese Modelle biologisch relevante Signale erkennen können, wenn eine angemessene Kalibrierung erfolgt. Die Ergebnisse widerlegen frühere Behauptungen, dass genetische Perturbationsmodelle nicht funktionieren, und unterstreichen das Potenzial von KI-gestützten virtuellen Zellen für die Zielidentifikation. Henry Miller, Ph.D., Head of Machine Learning bei Shift Bioscience, kommentierte: „Diese neue Forschung zeigt eindeutig, dass die Berichte über schlechte Leistung von KI-gestützten virtuellen Zellen vor allem auf Einschränkungen der Bewertungsmetriken zurückzuführen sind, nicht auf Probleme mit den Modellen selbst. Wir haben nachgewiesen, dass die Modelle bei Verwendung gut kalibrierter Metriken sehr gut funktionieren und konsistent bessere Ergebnisse liefern als wichtige Baselines. Wir sind überzeugt, dass diese Arbeit den Weg für eine breitere Anwendung virtueller Zellen ebnen und unsere Zuversicht in die Modelle stärkt, die unsere Zielidentifikationsprogramme für Zellverjüngung vorantreiben.“ Die Ergebnisse unterstreichen die Bedeutung korrekter Bewertungsstandards in der KI-gestützten Biologie und könnten den Einsatz virtueller Zellen in der Forschung und Entwicklung von Therapien gegen altersbedingte Erkrankungen entscheidend voranbringen.