Shift Bioscience propõe o sistema de classificação aprimorado para modelos de células virtuais para acelerar a descoberta do alvo genético
Shift Bioscience (Shift), uma empresa de tecnologia de biotecnologia que revela a biologia da regeneração celular para desenvolver doenças baseadas na nova era, hoje os resultados de um novo estudo mostrando uma abordagem aprimorada para organizar modelos de células virtuais para descobrir genes. A pesquisa descreve a introdução de novas escalas e linhas básicas para a avaliação do desempenho típico, fornecendo uma estrutura aprimorada para o desenvolvimento de modelos de células virtuais mais poderosas. O novo sistema de classificação também poderá mudar para acelerar a linha de descoberta de destino de destino.
Modelos de células virtuais treinadas usando grupos de dados de RNA (SCRNA) fornecem uma solução forte para uma grande escala para alterações de aparência causadas por vários distúrbios, incluindo regulação ascendente e menor de genes. Ele oferece uma oportunidade única de expandir os programas de descoberta direcionados, permitindo que os pesquisadores pressionem séculos de experiências no mundo real a meses de experiências virtuais, determinando assim os objetivos promissores dos genes antes de se aplicar à extensa pesquisa de laboratório úmido. No entanto, estudos padrão que usam padrões de desempenho comuns declararam que os modelos de células virtuais mais proeminentes superam a coleta média de dados simples – prevendo o resultado médio de todas as células dentro do conjunto de dados.
O novo estudo, liderado por Shift, usou Lucas Paulo de Lima Camillo, dados celulares virtuais e realistas para detectar que fatores experimentais, como controle e distúrbios fracos, distorcem o desempenho do modelo real ao usar o uso comum. Com base nessa análise, a equipe desenvolveu uma série de etapas que podem ser usadas para melhorar os modelos de arranjo e concentrá -los em mudanças mais inteligentes biológicas. Essas etapas de pré -processamento incluem as escalas dos pontos genéticos expressos (DEG), a calibração essencial negativa e positiva e os objetivos da melhoria percebida. A combinação dessa nova abordagem para a modelagem do distúrbio destaca melhor os modelos com o mau desempenho, garantindo apenas modelos eficazes para programas de identificação de identidade direcionados.
Nesta pesquisa, nossa equipe mostrou que, concentrando -se no desenvolvimento de novos padrões e linhas básicas, podemos identificar facilmente modelos que mostram uma forte previsão. O artigo fornece dados fundamentais que nos permitirão desenvolver modelos de transtorno mais poderosos e biológicos, que acabam acelerando nosso pipeline terapêutico e nos ajudará a detectar novos objetivos para tratar a renovação.“
Lucas Paulo de Lima Camello, chefe de aprendizado de máquina, transforma as ciências biológicas
