10:21arXiv cs.LG@Artur Szałata, Olga Novitskaia, Maiia Shulman, Matthew Mella, Altynbek Zhubanchaliyev, Fabian J. TheisChem-PerturBridge 是一个整合了37k+化合物、136种细胞环境和125万转录组样本的多数据集资源,覆盖8种实验类型,并统一了标识符、元数据和预处理流程。研究发现,不同数据集间相同化合物的logFC方向和幅度一致性较弱,但方向一致性相对稳定。该资源作为预训练数据,在化合物表示学习任务中优于仅使用L1000数据、Morgan指纹和基线方法。Chem-PerturBridge 支持跨数据集签名一致性的诊断评估,以及异质扰动转录组数据的模型复用。论文药物发现转录组化合物表示学习数据整合Chem-PerturBridge推荐理由:做药物发现或化学基因组学的团队终于有了一个标准化的多源转录组资源——37k化合物、136种细胞环境,直接拿来预训练或评估模型,省去数据清洗的麻烦。原文
10:13arXiv cs.LG@Kian Kenyon-Dean, Alina Selega, Ihab Bendidi, Jordan M. Sorokin, Luca Bertinetto, David Errington, Hayley Donnella, Oren KrausRNA测序数据在药物发现中有广泛应用,但现有转录组基础模型因技术噪声和批次效应表现不佳,甚至不如线性基线。研究者提出新自监督模型TxFM,采用掩码自编码方法处理多样RNA-seq计数数据,并通过消融实验确定关键架构配置。他们构建了公开训练语料DiverseRNA-1.4M,训练出的TxFM在基因表示上优于规模大100倍以上的图谱级模型。结果表明,结合精心设计的模型架构和训练数据,归纳式自监督学习是转录组表示学习的可行方法。论文基因表达自监督学习掩码自编码转录组TxFM推荐理由:TxFM解决了转录组基础模型性能不佳的痛点,做药物发现和生物信息学的团队可以试试这个轻量级方案,效果优于大模型。原文