Shift Bioscience (Shift), חברת ביוטכנולוגיה שחושפת את הביולוגיה של התחדשות תאים כדי לשים קץ לתחלואה ותמותה של ההזדקנות, הודיעה היום על שחרורו של מחקר חדש המפרט מסגרת משופרת להערכת כיול מטרי בנצ'מרק במודלים של תאים וירטואליים. באמצעות מדדים מכוילים היטב, המחקר מדגים כי מודלים של תאים וירטואליים מתקדמים בעקביות על קווי בסיס מרכזיים, ומספקים תובנות ביולוגיות בעלות ערך וניתנות לפעולה להאצת צינורות זיהוי יעדים.
מודלים של תגובה להפרעות גנטיות הם תת-קבוצה של תאים וירטואליים בינה מלאכותית המשמשת לניבוי כיצד תאים יגיבו לשינויים גנטיים שונים, כולל ויסות מעלה ומטה של גנים. מודלים אלה הם כלי רב ערך להגדלת צינורות זיהוי היעדים, ומספקים מדרוג מהיר, בסיליקו פתרון לזיהוי מטרות גנטיות מבטיחות ללא דרישות הזמן והמשאבים של ניסויי מעבדה רטובה. עם זאת, מאמרים שפורסמו לאחרונה הטילו ספק בתועלת של מודלים אלה לזיהוי נכון של יעדי גנים, וציינו חששות שמודלים של תאים וירטואליים אינם מצליחים להעלות על קווי בסיס פשוטים וחסרי מידע בניסויים מסוימים.
במחקר האחרון הזה של Shift Bioscience, הצוות הוכיח כי מקרים של ביצועי מודל גרועים משקפים במידה רבה כיול מטרי שגוי, כאשר מדדים נפוצים אינם מצליחים להבחין באופן שגרתי בין תחזיות חזקות מאלה שאינן אינפורמטיביות, במיוחד במערך נתונים עם הפרעות חלשות יותר. בהתבסס על ממצא זה, הצוות פיתח מסגרת משופרת לכיול מטרי. באמצעות 14 מערכי נתונים ברצף הפרעות, הצוות זיהה מספר מדדים מבוססי דירוג ומודעים ל-DEG (Differentially Expressed Gene) המכוילים היטב על פני מערכי נתונים.
מודלים של תאים וירטואליים שהוערכו באמצעות מדדים מכוילים היטב אלה הצליחו להתעלות בעקביות על ביצועים ממוצעים, בקרה וקווי בסיס ליניאריים, ולספק ראיות ברורות לכך שמודלים של תאים וירטואליים יכולים להבחין באותות בעלי משמעות ביולוגית כאשר מיושם כיול מתאים. תוצאות אלו מאתגרות דיווחים קודמים לפיהם מודלים של הפרעות גנטיות אינם פועלים, ומציעות שניתן ליישם ביעילות תאים וירטואליים בינה מלאכותית לגילוי מטרות.
המחקר האחרון של הצוות המוכשר שלנו מספק הוכחות ברורות לכך שהדיווחים על ביצועים גרועים בתאים וירטואליים בינה מלאכותית נובעים במידה רבה ממגבלות של מדדים, ולא בגלל בעיות במודלים. הראינו שכאשר מודלים מוערכים על פי מדדים מכוילים היטב, הם מתפקדים די טובים ומעלים באופן עקבי על קווי בסיס מרכזיים. אנו מאמינים שעבודה זו פותחת את הדלת לשימוש נרחב יותר בתאים וירטואליים ומחזקת את האמון שלנו במודלים של תאים וירטואליים שעוזרים להניע את תוכנית זיהוי היעד שלנו להצערת תאים."
הנרי מילר, Ph.D., ראש תחום למידת מכונה, Shift Bioscience
