PertMind用扰动数据训练生物推理模型

Zhenchao Tang等提出并训练PertMind，将细胞扰动数据组织为强化学习环境，以基因、通路和输出格式层面的奖励训练大语言模型。基于论文摘要，该模型仅接受正向扰动响应预测训练，便能改进未见细胞环境中的响应推断，并在无需任务特定后训练的情况下迁移至反向扰动识别、双扰动推理、表型筛选排序和生物过程解释。 PertMind生成的生物特征还被用于基因、细胞和供体表示；作者称这些表示在多尺度下游任务中具有竞争力，并据此认为实验终点的强化学习可将持续扩展的扰动图谱转化为通用生物推理训练环境。上述结果目前仅见于论文摘要。

AI 根据报道生成 · 11 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。