Obezite ML Challenge liderlik tablosu gerçek bir sinyal göstermeye başlıyor! @Schmidt_Center ile iş birliği içinde, hücrelerin yağ gelişimi ve depolanmasını etkileyen değişikliklere nasıl tepki verdiğini tahmin etmek için makine öğrenimini kullanıyoruz. Modellerin hücrelere müdahale ettiğimizde ne olacağını ne kadar iyi tahmin ettiğini test etmek için iki değerlendirme hattı tasarladık. Bu başlık, liderlik tablosunun nasıl çalıştığını açıklıyor...

İlk olarak, bir hücreye müdahale etmek (veya "rahatsız etmek") derken neyi kastediyoruz? Perturbasyon, hücreye uyguladığımız kontrollü bir değişikliktir; örneğin bir geni açıp-kapatmak veya bir ilaç eklemek gibi, hücrenin nasıl tepki verdiğini görmek için. Bu yanıt, modelinizin öngörmesi istenen şeydir.

Meydan okuma iki pistten oluşur ve her biri farklı bir beceriyi test eder. Parça 1: Transkriptom genelindeki metrikler Bu, modelinizin bir bozulmadan sonra gen ifadesinin nasıl değiştiğini tahmin edebilip gösteremeyeceğini anlamaya yardımcı olur. Pist 2: Program düzeyinde metrikler Bu, modelinizin hücrenin hangi durumda olduğunu tahmin edebilip gösteremeyeceğini çözecektir.

Parça 1: Transkriptom genelindeki metrikler Bir hücreyi rahatsız ettiğimizde, binlerce gen aktivite değiştirebilir. Bu parça şöyle soruyor: Modeliniz hangi genlerin yükseldiğini, hangilerinin azaldığını ve ne kadar azaldığını tahmin etti mi? Bunu iki metrik kullanarak değerlendiriyoruz.

Metrik 1: Pearson Delta Bu, tahminlerinizin gerçekte olanlara ne kadar yakın olduğunu ölçür. - Değişimin doğru yönünü öngördün mü? - Doğru büyüklüğü tahmin ettin mi? Maçlar ne kadar yakın olursa, skor da o kadar yüksek.

Metrik 2: Maksimum Ortalama Uyum (MMD) MMD genleri teker tek kontrol etmek yerine, tüm resmi değerlendiriyor. Soru şöyle der: - Tahmin ettiğiniz gen ifade dağılımı gerçek dağılımı gibi mi? Bu, genel yapıyı gözden kaçıran modelleri tespit etmeye yardımcı olur.

Yol 2: Program düzeyinde metrikler Genler birlikte çalışır ve hücreleri biyolojik duruma itir. Bir perturbasyondan sonra bir hücre şu şekilde değişebilir: - pre fat - olgun yağ - yağ depolama modu Bu iz, modelinizin bu sonuçları doğru şekilde tahmin edip etmediğini kontrol eder.

Bunu "L1 mesafesi" denen bir yöntemle ölçüyoruz. Karşılaştırma şöyle: - her durumdaki hücrelerin gerçek oranı vs - modelinizin tahmin ettiği oranlar Mesafe ne kadar düşükse, hücrenin ne haline geldiği o kadar iyi anlaşılır.