注册

PerturbEnergy：用条件能量先验提升细胞扰动响应预测

论文AI 评分 62/100arXiv cs.AI待复核
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。

一篇 arXiv 论文提出 PerturbEnergy，在扰动表征上引入条件能量先验，对与给定扰动相容的表征赋予更低能量、更高概率，从而把潜空间显式推向扰动偏好区域。该方法可嵌入自编码器结构，作者证明其证据下界与完整自编码器的证据下界等价，并证明优化该目标可提高表征与扰动之间条件互信息的下界。在四个基准数据集上，潜空间中的扰动识别提升最高达 83.2%，在预测 top-50/100/200 差异表达基因上达到当前最优，在高变基因预测上保持竞争力，代码已公开。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

用能量先验约束扰动表征

这篇论文关注的是基于人工智能的细胞扰动预测，作者把这一任务放在加速药物发现与治疗靶点识别的语境中。作者指出，扰动本身携带的特异性信号往往被细胞自身的复杂性掩盖，导致既有方法难以准确刻画扰动带来的效应。为此，作者提出名为 PerturbEnergy 的方案，核心做法是在扰动表征之上引入一个条件能量先验。该先验对与给定扰动相容的表征赋予更低的能量，也就是更高的概率，而对不相容的表征赋予更高的能量，从而把潜在空间显式地推向扰动所偏好的区域。这种做法的着力点不在输出端，而在表征学习阶段，试图让模型在压缩细胞状态的同时保留与扰动相关的成分。

可嵌入自编码器并给出理论依据

作者说明了 PerturbEnergy 与自编码器架构之间的关系：它可以被整合进自编码器之中，原因是其证据下界与完整自编码器的证据下界等价。论文还给出了一项证明，即优化 PerturbEnergy 会提高表征与扰动之间条件互信息的下界。这两点构成了该方法在实现与理论两个层面的支撑：一方面，它不需要脱离常见的自编码器框架另起炉灶；另一方面，它把提升扰动识别能力的目标转化为对互信息下界的优化，使表征与扰动之间的关联在训练中被显式强化。作者同时提供了代码链接，便于复现。

四组基准上的表现与适用范围

作者在四个基准数据集上开展了实验，用以检验 PerturbEnergy 的效果。结果显示，该方法提升了扰动识别能力，这种提升在潜在空间中尤为明显；在预测差异表达基因响应方面，它在 top-50、top-100 与 top-200 三个设定下达到当前最优水平，而在高变基因预测上则保持了竞争力。论文将自身归入机器学习与人工智能方向，并给出了 arXiv 编号与 DOI。对读者而言，这意味着细胞扰动预测的表征学习多了一条以能量先验为抓手的路径，其价值主要体现在差异表达基因排序这类任务上，而高变基因预测并非其相对优势所在；方法依赖自编码器结构，效果也由这四个基准数据集上的实验给出。

为什么值得看

细胞扰动响应预测是 AI 辅助药物发现的关键环节，该方法给出了可嵌入自编码器、且有理论下界支撑的表征学习思路。

论文数据集

信源1 家

  1. [1]arXiv cs.AI一手信源Learning Perturbation-Specific Representations through Conditional Energy Prior for Cellular Response Prediction

关键事实

  • 论文提出 PerturbEnergy，在扰动表征上引入条件能量先验，对与给定扰动相容的表征赋予更低能量。[1]

  • 作者证明 PerturbEnergy 的证据下界与完整自编码器的证据下界等价，可嵌入自编码器架构。[1]

  • 作者证明优化 PerturbEnergy 可提高表征与扰动之间条件互信息的下界。[1]

  • 在四个基准数据集上，潜空间中的扰动识别提升最高达 83.2%。[1]

  • 该方法在预测 top-50/100/200 差异表达基因上达到当前最优，在高变基因预测上保持竞争力。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

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。

去论坛讨论