Hvordan trener man en modell når det ikke finnes noen treningsdata? Det var det Team Cellmates tok for seg i CrunchDAOs Autoimmune ML Challenge II. 1. Marios Gavrielatos (@MariosGvr) 2. Konstantinos Kyriakidis (@kokyriakidis) Slik gjorde de det 👇

Utfordringen var å forutsi uttrykket av 2 000 gener fra bilder av tykktarmsvev. Men romlige prøver med den gendekningen finnes ikke. Så de bygde en løsning ved å bruke kjent genuttrykk fra lignende enkeltcelleprofiler.

De startet med sin tilpassede crunch1-modell for å forutsi 460 genuttrykksverdier fra vektorer hentet fra H&E-fargede bilder ved flere zoomnivåer. Modellen ble optimalisert for å minimere gjennomsnittlig kvadreret feil og holde seg nær grunnens sannhet.

Deretter søkte de etter de 5 mest like enkeltcelleprøvene for hvert romlige bilde ved hjelp av FAISS-algoritmen, og matchet på hele settet med 2 000 målgener. Hver nabo ga verdifull biologisk kontekst for nedstrøms prediksjon.

For hvert utvalg laget de et (5, 2458) array som kombinerte de 458 forutsagte genene og 2 000 gener fra hver av de 5 nærmeste naboene. Denne strukturerte inputen ble grunnlaget for andretrinnsmodellen.

Målet med den modellen var å forutsi gjennomsnittlig genuttrykk for disse 5 naboene på tvers av alle 2 000 målgenene. Ved å behandle dette gjennomsnittet som en proxy for bakkesannhet, skapte de en overvåket oppgave fra uovervåkede data.

Resultatet var en to-modells pipeline som fanget gennivåsignaler fra bildedata ved hjelp av smart feature engineering og proxy-overvåking. Det fungerte. Deres løsning overgikk hundrevis av andre i en global biomedisinsk utfordring.

Team Cellmates viste at med riktig struktur og resonnement kan selv ufullkomne data omdannes til kraftige læringssignaler. Løsningen deres er en påminnelse om at kreativ modellering er like viktig som rådata.