Cum antrenezi un model când nu există date de antrenament? Asta a abordat Team Cellmates în Autoimmune ML Challenge II de la CrunchDAO. 1. Marios Gavrielatos (@MariosGvr) 2. Konstantinos Kyriakidis (@kokyriakidis) Iată cum au procedat 👇

Provocarea a fost să prezică expresia a 2.000 de gene din imaginile țesutului colonului. Dar mostrele spațiale cu această acoperire genetică nu există. Așa că au construit o soluție de ocolire folosind expresia genelor cunoscute din profiluri celulare similare.

Au început cu modelul lor personalizat crunch1 pentru a prezice valorile de expresie a 460 de gene de la vectori extrași din imagini colorate cu H&E la mai multe niveluri de zoom. Modelul a fost optimizat pentru a minimiza eroarea pătratică medie și a rămâne aproape de adevărul de bază.

Apoi au căutat cele 5 eșantioane celulare cele mai asemănătoare pentru fiecare imagine spațială folosind algoritmul FAISS, potrivind setul complet de 2.000 de gene țintă. Fiecare vecin oferea un context biologic valoros pentru predicția în aval.

Pentru fiecare eșantion, au creat un array (5.2458) care combina cele 458 de gene prezise și 2.000 de gene de la fiecare dintre cei 5 vecini cei mai apropiați. Această intrare structurată a devenit fundația modelului de a doua etapă.

Scopul acelui model era să prezică expresia medie a genelor celor 5 vecini pentru toate cele 2.000 de gene țintă. Tratând această medie ca un proxy pentru adevărul de bază, au creat o sarcină supravegheată din date nesupravegheate.

Rezultatul a fost o conductă cu două modele care a captat semnale la nivel de gen din datele imaginii, folosind inginerie inteligentă a caracteristicilor și supervizare proxy. A funcționat. Soluția lor a depășit sute de altele într-o provocare biomedicală globală.

Team Cellmates a arătat că, cu structura și raționamentul potrivit, chiar și datele imperfecte pot fi transformate în semnale puternice de învățare. Soluția lor este o reamintire că modelarea creativă contează la fel de mult ca datele brute.