Övervikts-ML Challenge-topplistan börjar visa verkliga signaler! I samarbete med @Schmidt_Center använder vi maskininlärning för att förutsäga hur celler reagerar på förändringar som påverkar fettutveckling och lagring. Vi designade två utvärderingsspår för att testa hur väl modeller förutspår vad som händer inuti cellerna när vi ingriper i dem. Den här tråden förklarar hur topplistan fungerar...

För det första, vad menar vi med att ingripa (eller "störa") en cell? En störning är en kontrollerad förändring vi applicerar på en cell, som att slå på/av en gen eller lägga till ett läkemedel, för att se hur cellen reagerar. Det svaret är vad din modell ombeds förutsäga.

Utmaningen har två banor, där varje bana testar en annan färdighet. Spår 1: Transkriptomomfattande mätvärden Detta hjälper till att svara på om din modell kan förutsäga hur genuttryck förändras efter en störning. Spår 2: Programnivåmått Detta hjälper till att svara på om din modell kan förutsäga vilket tillstånd cellen hamnar i.

Spår 1: Transkriptomomfattande mätvärden När vi stör en cell kan tusentals gener ändra aktivitet. Detta spår frågar: Förutsade din modell vilka gener som gick upp, vilka som gick ner, och med hur mycket? Vi utvärderar detta med hjälp av två mått.

Mätmetod 1: Pearson Delta Detta mäter hur nära dina förutsägelser är vad som faktiskt hände. - Förutsåg du rätt riktning för förändring? - Förutspådde du rätt storlek? Ju närmare matchningar, desto högre poäng.

Mått 2: Maximal medelavvikelse (MMD) Istället för att kontrollera gener en efter en, tittar MMD på hela bilden. Den frågar: - Ser din förutsagda genuttrycksfördelning ut som den verkliga? Detta hjälper till att upptäcka modeller som missar övergripande struktur.

Spår 2: Programnivåmått Gener samarbetar för att driva celler in i biologiska tillstånd. Efter en störning kan en cell skifta till: - förfett - Moget fett - fettlagringsläge Detta spår kontrollerar om din modell förutspår dessa utfall korrekt.

Vi mäter detta med något som kallas "L1-avstånd". Den jämför: - den reella andelen celler i varje tillstånd vs - Din modells förutsagda proportioner Ju lägre avståndet är, desto bättre förståelse av vad cellen blir.