لوحة المتصدرين في تحدي تعلم الآلة للسمنة بدأت تظهر إشارة حقيقية! بالشراكة مع @Schmidt_Center، نستخدم التعلم الآلي للتنبؤ بكيفية استجابة الخلايا للتغيرات التي تؤثر على تطور الدهون وتخزينها. صممنا مسارين للتقييم لاختبار مدى قدرة النماذج على التنبؤ بما يحدث داخل الخلايا عند التدخل فيها. هذا النقاش يشرح كيف تعمل لوحة المتصدرين...

أولا، ماذا نعني بالتدخل (أو "إزعاج") الخلية؟ الاضطراب هو تغيير متحكم به نطبقه على الخلية، مثل تشغيل/إيقاف جين أو إضافة دواء، لمعرفة كيف تستجيب الخلية. هذا هو ما يطلب من نموذجك التنبؤ به.

التحدي يحتوي على مسارين، كل منهما يختبر مهارة مختلفة. المسار 1: مقاييس الترانسكريبتوم على مستوى سيساعد هذا في الإجابة عما إذا كان نموذجك يستطيع التنبؤ بكيفية تغير تعبير الجين بعد الاضطراب. المسار 2: مقاييس المستوى البرنامجي هذا سيساعد في الإجابة عما إذا كان نموذجك يستطيع التنبؤ بالحالة التي تنتهي فيها الخلية.

المسار 1: مقاييس الترانسكريبتوم على مستوى عندما نحرج خلية، قد تغير آلاف الجينات نشاطها. هذا المسار يسأل: هل تنبأ نموذجك بأي الجينات ارتفعت، وأيها انخفض، وبأي مدى؟ نقوم بتقييم ذلك باستخدام مقياسين.

المقياس 1: بيرسون دلتا هذا يقيس مدى قرب توقعاتك مما حدث فعليا. - هل توقعت الاتجاه الصحيح للتغيير؟ - هل توقعت الكمية الصحيحة؟ كلما اقتربت المباريات، زادت النقاط.

المقياس 2: الحد الأقصى للاختلاف المتوسط (MMD) بدلا من فحص الجينات واحدة تلو الأخرى، ينظر MMD إلى الصورة الكاملة. يسأل: - هل يبدو توزيع تعبير الجينات المتوقع لديك مثل الحقيقي؟ يساعد ذلك في اكتشاف النماذج التي تفشل في الهيكل العام.

المسار 2: مقاييس مستوى البرنامج تعمل الجينات معا لدفع الخلايا إلى حالات بيولوجية. بعد حدوث اضطراب، قد تتحول الخلية إلى: - ما قبل الدهون - الدهون الناضجة - وضع تخزين الدهون هذا المسار يتحقق مما إذا كان نموذجك يتنبأ بهذه النتائج بشكل صحيح.

نقيس هذا باستخدام شيء يسمى "مسافة L1". يقارن بين: - النسبة الحقيقية للخلايا في كل حالة مقابل - النسب المتوقعة لنموذجك كلما قلت المسافة، كان الفهم الأفضل لما تصبح عليه الخلية.