新的神经最优传输模型可从分子结构预测细胞表型

研究人员开发了一种新颖的条件神经最优传输（NOT）模型，用于从分子结构预测细胞表型。该方法通过学习使用分子结构作为条件信息将阴性对照表型映射到诱导表型，解决了穷尽实验表征的不可行性。NOT模型采用Monge-Gap正则化目标进行训练，通过减少技术变异和恢复分子特异性表型效应，在未见过分子的数据集上表现优于基线方法。研究将分子编码器确定为泛化能力的关键限制因素，表明改进的分子表示对于增强分布外性能至关重要。 AI

影响 该模型提供了一个新的计算框架来预测生物学响应，通过减少对广泛实验验证的需求，有可能加速药物发现和生物学研究。

排序理由 详细介绍一种新的生物学研究计算模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Conditional Neural Optimal Transport
• DagsHub
• Gotit.pub
• Hugging Face
• Maxime Sanchez-Renauld
• Monge-Gap
• Neural Optimal Transport
• Nothobranchius furzeri

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →