Shift Bioscience (Shift), une société de biotechnologie qui découvre la biologie du rajeunissement cellulaire pour mettre fin à la morbidité et à la mortalité liées au vieillissement, a annoncé aujourd'hui la publication d'une nouvelle recherche détaillant un cadre amélioré pour évaluer l'étalonnage métrique de référence dans des modèles cellulaires virtuels. À l’aide de mesures bien calibrées, l’étude démontre que les modèles de cellules virtuelles surpassent systématiquement les références clés, fournissant ainsi des informations biologiques précieuses et exploitables pour accélérer les processus d’identification des cibles.
Les modèles de réponse aux perturbations génétiques sont un sous-ensemble de cellules virtuelles d’IA utilisées pour prédire comment les cellules réagiront à diverses altérations génétiques, notamment la régulation à la hausse et à la baisse des gènes. Ces modèles constituent un outil précieux pour augmenter les pipelines d'identification de cibles, en fournissant une approche rapidement évolutive, in silico solution pour identifier des cibles génétiques prometteuses sans le temps et les ressources nécessaires aux expériences en laboratoire humide. Cependant, des articles récemment publiés ont remis en question l'utilité de ces modèles pour identifier correctement les gènes cibles, notant des inquiétudes quant au fait que les modèles de cellules virtuelles ne parviennent pas à surpasser les lignes de base simples et peu informatives dans certaines expériences.
Dans cette dernière étude de Shift Bioscience, l'équipe a démontré que les incidents de mauvaises performances du modèle reflètent en grande partie un mauvais calibrage des métriques, les métriques couramment utilisées ne parvenant pas systématiquement à distinguer les prédictions robustes des prédictions non informatives, en particulier dans les ensembles de données présentant des perturbations plus faibles. En s’appuyant sur ces résultats, l’équipe a développé un cadre amélioré pour l’étalonnage des mesures. À l’aide de 14 ensembles de données perturb-seq, l’équipe a identifié plusieurs mesures basées sur le classement et prenant en compte le DEG (Differentially Expressed Gene) qui sont bien calibrées sur tous les ensembles de données.
Les modèles de cellules virtuelles évalués à l’aide de ces mesures bien calibrées ont pu systématiquement surpasser les lignes de base moyennes, de contrôle et linéaires non informatives, fournissant ainsi la preuve claire que les modèles de cellules virtuelles peuvent distinguer des signaux biologiquement significatifs lorsqu’un étalonnage approprié est appliqué. Ces résultats remettent en question les rapports antérieurs selon lesquels les modèles de perturbation génétique ne fonctionnent pas et suggèrent que les cellules virtuelles IA peuvent être appliquées efficacement pour la découverte de cibles.
Cette dernière recherche de notre talentueuse équipe fournit la preuve claire que les rapports faisant état de mauvaises performances dans les cellules virtuelles d'IA sont en grande partie dus aux limitations des métriques, et non à des problèmes avec les modèles. Nous avons montré que lorsque les modèles sont évalués sur la base de mesures bien calibrées, ils fonctionnent assez bien et dépassent systématiquement les références clés. Nous pensons que ces travaux ouvrent la porte à une utilisation plus répandue des cellules virtuelles et renforcent notre confiance dans les modèles de cellules virtuelles qui contribuent à piloter notre programme d’identification de cibles pour le rajeunissement cellulaire.«
Henry Miller, Ph.D., responsable de l'apprentissage automatique, Shift Bioscience
