新框架 AssayLoop 优化 CRISPR 筛选实验设计
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员推出了 AssayBench-Loop 基准测试，包含 1,389 个 CRISPR 筛选数据。基于此开发的 AssayLoop 框架，利用 AssayFormer 模型与 LLM 先验知识指导实验选择。在测试中，该方法在筛选约 5% 候选库时恢复了 27.7% 的命中目标，富集倍数达 5.67 倍，性能优于现有自适应设计方法及独立 LLM。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载大规模基准测试发布
针对生物发现中需要在受限预算下按顺序选择实验的问题，研究团队发布了 AssayBench-Loop。这是一个大规模的自适应命中发现基准，由 1,389 个 CRISPR 筛选组成，跨越五种表型类别。该基准不仅支持系统评估，其规模还使得跨历史实验学习获取策略成为可能，解决了现有基准在规模和多样性上的局限。
融合历史数据与先验
基于上述基准，研究人员提出了 AssayLoop 顺序实验设计框架。该框架包含 AssayFormer，这是一个基于 Transformer 的摊销获取策略，在历史筛选数据上训练，以适应实验反馈。同时，框架通过自适应交接引入 LLM 衍生的生物学先验。在这种机制下，已完成的实验转化为训练数据，用于学习积累的证据如何指导下一步测试，而 LLM 则提供先验生物学知识来启动搜索。
实验性能显著提升
在时间保留的筛选测试中，AssayLoop 表现优于现有的自适应设计方法、独立 LLM 以及单独的 AssayFormer。数据显示，该方法实现了 5.67 倍于随机选择的富集度，并在仅筛选约 5% 候选库的情况下恢复了 27.7% 的命中目标。此外，研究还表明，随着历史训练数据的增加，性能会相应提升，且该方法能够迁移到训练中未包含的表型类别。
为什么值得看
展示了利用历史实验数据与 LLM 结合，大幅降低生物实验成本与时间。
基准测试
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。