状態を用いて多様なコンテキストにおける細胞の摂動に対する反応を予測する

細胞の摂動に対する反応は、生物学的メカニズムの理解と潜在的な薬物標的の選択において重要な役割を果たします。計算モデルは実験的手法と比較して摂動効果を予測する大きな可能性を提供していますが、現在では実験的に観察された細胞環境から未観察の環境への効果の一般化に苦戦しています。本研究では、Stateという機械学習アーキテクチャを導入します。Stateは、細胞内の異質性と摂動実験間の異質性を考慮しながら摂動効果を予測します。Stateは物理的なスケールを超えて動作し、1億以上の摂動を受けた70種類の細胞コンテキストから得られたデータを使用して摂動効果を学習する状態遷移モデルと、1億6700万個の人間の単一細胞から得られた観察データで訓練された細胞埋め込みモデルで構成されています。Stateは複数の大規模データセットでの摂動効果の識別性能を50%以上向上させ、既存のモデルよりも2倍以上の精度で遺伝子、シグナル伝達、化学的摂動による真正な差異発現遺伝子を特定しました。その埋め込みモデルを使用することで、Stateは訓練中に何らかの摂動が観察されていない新しい細胞コンテキストでも強い摂動を特定することができます。さらに、Cell-Evalという包括的な評価フレームワークを導入しました。このフレームワークは生物学的に関連性のある指標を使用し、Stateがより精密な細胞型特異的な摂動反応（例：細胞生存に関連する反応）の発見を可能にする点を強調しています。全体として、Stateの性能と柔軟性は仮想細胞モデル開発の一層の大規模化に向けて道を開きます。 注：「Cell-Eval」や「State」などの固有名詞についてはそのまま使用しています。「cellular heterogeneity」（細胞内の異質性）、「perturbation experiments」（摂動実験）、「state transition model」（状態遷移モデル）、「cell embedding model」（細胞埋め込みモデル）などの専門用語も一般的な日本語訳を使用しています。