bioRxiv 预印本· Hu, J., Qi, X., Tian, L., Yan, J., Liu, N., Li, X. ·· 14 小时前AI 评分22
Cause-excluded Effect Evaluation（CEE）：一种忠实评估遗传扰动靶点识别的框架
Cause-excluded Effect Evaluation: a framework for the faithful assessment of genetic perturbation target identification
AI 导读
研究人员提出 Cause-excluded Effect Evaluation（CEE）框架，通过分离训练与测试扰动靶点、从表达谱中剔除靶基因自身效应并在下游响应空间评分，消除训练泄漏与评估泄漏两类偏差。在 16 个单细胞扰动数据集上，CEE 评估显示简单结构类方法持续优于复杂深度学习模型，提示可恢复信号由扰动响应的低秩与加性结构决定，而非模型复杂度。
来源：bioRxiv 预印本 · biorxiv.org