PulseAugur
中
实时 07:31:28
English(EN) Score Distributions, Not Cells: Evaluating Single-Cell Perturbations Under Class Overlap

新的分类器鉴别分数 (CDS) 改进了单细胞扰动评估

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了一种名为分类器鉴别分数 (CDS) 的新型评估指标，用于单细胞扰动数据，解决了传统按细胞准确率指标的局限性。该新分数对整个种群的分类器概率向量进行平均，即使在细胞类别重叠的情况下也能更可靠地识别真正的扰动。CDS 在稀缺细胞数据下，比扰动鉴别分数 (PDS) 等现有方法表现出更优越的性能，并提供了一种更稳健的比较扰动模型的方法。 AI

影响 引入了一种更稳健的单细胞扰动数据评估指标，有望改进生物学研究中的模型开发和比较。

排序理由 该条目是一篇学术论文，详细介绍了一种针对特定类型数据的新评估指标。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的分类器鉴别分数 (CDS) 改进了单细胞扰动评估

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Youssef Marrakchi, Davide D'Ascenzo, Sebastiano Cultrera di Montesano ·

    分数分布而非细胞：评估类别重叠下的单细胞扰动

    arXiv:2607.04595v1 Announce Type: cross Abstract: Most classification problems assume the classes are roughly separable, so that an individual sample can usually be assigned to one class. Single-cell perturbation data violates this assumption: two perturbations can produce differ…

  2. arXiv stat.ML TIER_1 English(EN) · Sebastiano Cultrera di Montesano ·

    分数分布而非细胞：评估类别重叠下的单细胞扰动

    Most classification problems assume the classes are roughly separable, so that an individual sample can usually be assigned to one class. Single-cell perturbation data violates this assumption: two perturbations can produce different populations of cells while overlapping so much…

相关实体

相关话题