Mô hình X-Cell của Xaira Therapeutics và nhu cầu dữ liệu nhân quả trong tìm kiếm thuốc
Ban lãnh đạo của Xaira Therapeutics, Bo Wang và Ci Chu, đã chi tiết hóa mô hình X-Cell của họ, một mô hình transformer khuếch tán cấp độ tập hợp được thiết kế để dự đoán các phản ứng phiên mã trên quy mô toàn bộ hệ gen đối với các can thiệp di truyền. Mô hình này được huấn luyện rõ ràng trên dữ liệu can thiệp để nắm bắt các mối quan hệ nhân quả sinh học thay vì chỉ là các mối tương quan. Các mô hình AI truyền thống trong sinh học thường dựa vào dữ liệu quan sát, vốn gặp khó khăn trong việc xác định các mối quan hệ nhân quả thực sự. Bằng cách tạo ra và huấn luyện trên dữ liệu can thiệp mang tính nhân quả, X-Cell có thể cải thiện độ chính xác của việc dự đoán cách các tế bào phản ứng với các sửa đổi di truyền, giúp đẩy nhanh quá trình tìm kiếm và phát triển thuốc. X-Cell được huấn luyện trên tập dữ liệu X-Atlas/Pisces chứa 25,6 triệu tế bào đơn lẻ bị can thiệp thông qua 7 đợt sàng lọc CRISPRi Perturb-seq. Mô hình này sử dụng cơ chế cross-attention để tích hợp các thông tin sinh học tiên nghiệm đa phương thức, cho phép nó khái quát hóa zero-shot đối với các loại tế bào và các can thiệp chưa từng thấy trước đây.
## KIẾN THỨC NỀN
Trong tìm kiếm và phát triển thuốc, việc hiểu cách các can thiệp di truyền (như bất hoạt một gen) ảnh hưởng đến hành vi của tế bào là vô cùng quan trọng. Các mô hình học máy truyền thống thường dựa vào dữ liệu quan sát, vốn có thể xác định các mối tương quan nhưng không thể chứng minh mối quan hệ nhân quả. Suy luận nhân quả và các tập dữ liệu can thiệp, chẳng hạn như dữ liệu được tạo ra từ sàng lọc CRISPR, cho phép các mô hình dự đoán hậu quả trực tiếp của các thay đổi di truyền.