В Nature Machine Intelligence предложили измерять реальную пользу объединения биологических моделей
Материал подготовлен Sintelligent с помощью ИИ. Опубликовано в SI: . Обновлено: .
Биологические ИИ-модели можно проверять не только по общему баллу, но и по тому, действительно ли совмещение данных раскрывает новые свойства клеток.
Исследователи показали, что объединение моделей изображений тканей и генной экспрессии не обязательно даёт новую информацию: стандартные методы выравнивания могут лишь воспроизводить сведения, уже содержащиеся в самом сильном отдельном модальном канале. Для проверки они ввели Synergistic Information Score (SIS) — относительный прирост качества объединённого представления над лучшей одномодальной моделью при использовании одинакового линейного классификатора. Авторы сравнили десять способов объединения на трёх наборах пространственной транскриптомики: лёгких при фиброзе, развивающемся тимусе и опухолях молочной железы. Теоретический анализ и эксперименты показали «спектральный потолок» методов выравнивания: они хорошо восстанавливают линейно общие сигналы, но теряют нелинейную взаимодополняющую информацию. В задачах, где требовалось совместить морфологию и экспрессию генов, методы вроде CoMM преодолевали этот предел. Код оценки и сравнений опубликован.
Источники 1