Une nouvelle étude de Shift Bioscience aborde un problème persistant dans l’évaluation des modèles de perturbation unicellulaire : la surperformance de la moyenne des données. Ce constat met en lumière la nécessité de repenser les cadres d’évaluation pour améliorer la sélection des modèles en recherche sur le vieillissement et le rajeunissement. Les modèles cellulaires virtuels, formés sur de grands ensembles de données de séquençage d’ARN unicellulaire (scRNA-seq), sont prometteurs pour tester comment les perturbations géniques modifient le comportement cellulaire. Cependant, des biais de contrôle et des perturbations faibles faussent souvent les résultats des benchmarks. À cette fin, Shift propose un cadre révisé qui se concentre sur les gènes différemment exprimés et ajuste les biais de contrôle, offrant ainsi une meilleure évaluation des modèles. L’étude présente également des alternatives pondérées biologiquement aux métriques d’évaluation traditionnelles, permettant de pénaliser les modèles qui échouent à capturer la variation biologique réelle. En utilisant à la fois des simulations et des ensembles de données réelles, l’équipe a démontré que des niveaux modestes de biais de contrôle peuvent gonfler les scores de benchmark, mais que ces effets disparaissent lorsqu’ils sont évalués avec les nouvelles métriques proposées. En fin de compte, cette recherche pourrait accélérer l’identification de nouvelles cibles pour des thérapies de rajeunissement plus efficaces, en offrant des outils plus précis pour filtrer le signal du bruit dans la recherche sur le vieillissement. Source : https://longevity.technology/news/shift-improves-virtual-cell-model-ranking-for-gene-discovery/
Amélioration des modèles cellulaires virtuels pour la découverte de gènes dans la recherche sur le vieillissement
