Hiçbir eğitim verisi yokken bir modeli nasıl eğitirsiniz? Team Cellmates, CrunchDAO'nun Autoimmune ML Challenge II'sinde bunu ele aldı. 1. Marios Gavrielatos (@MariosGvr) 2. Konstantinos Kyriakidis (@kokyriakidis) İşte nasıl yaptıkları 👇

Zorluk, kolon dokusu görüntülerinden 2.000 genin ekspresyonunu tahmin etmekti. Ama bu gen kapsamına sahip mekânsal örnekler yok. Bu yüzden benzer tek hücre profillerinden bilinen gen ekspresyonunu kullanarak bir çözüm geliştirdiler.

H&E boyalı görüntülerden çıkarılmış vektörlerden 460 gen ifade değerini tahmin etmek için özel crunch1 modeliyle başladılar. Model, ortalama kare hatasını en aza indirecek ve gerçek gerçeğine yakın kalacak şekilde optimize edilmiştir.

Sonra, FAISS algoritması kullanarak her mekânsal görüntü için en benzer 5 tek hücre örneğini aradılar ve 2.000 hedef genin tam setiyle eşleştiler. Her komşu, aşağı akış tahmini için değerli biyolojik bağlam sağladı.

Her örnek için, 458 tahmin edilen geni ve en yakın 5 komşudan her birinden 2.000 geni birleştiren (5.2458) bir dizi oluşturuldu. Bu yapılandırılmış girdi, ikinci aşama modelinin temelini oluşturdu.

Bu modelin amacı, bu 5 komşunun tüm 2.000 hedef gende ortalama gen ekspresyonunu tahmin etmekti. Bu ortalamayı gerçek için bir vekil olarak ele alarak, denetimsiz verilerden denetimli bir görev oluşturdular.

Sonuç, akıllı özellik mühendisliği ve vekil denetim kullanarak görüntü verilerinden gen seviyesi sinyallerini yakalayan iki modelli bir boru hattı ortaya çıktı. İşe yaradı. Çözümleri, küresel bir biyomedikal mücadelede yüzlerce diğerlerinden daha iyi performans gösterdi.

Team Cellmates, doğru yapı ve mantık ile kusurlu verilerin bile güçlü öğrenme sinyallerine dönüştürülebileceğini gösterdi. Çözümleri, yaratıcı modellemenin ham veri kadar önemli olduğunu hatırlatıyor.