SCALE: スケーラブルな条件付きアトラスレベルのエンドポイント輸送による仮想細胞摂動予測

要約:
仮想細胞モデルは、単一細胞測定から遺伝的・化学的またはサイトカイン撹乱に対する細胞の反応を予測することによって、インシリコ実験を可能にすることを目指します。実際には、しかし、大規模撹乱予測は三つの連結したボトルネックによって制約されています：非効率な学習および推論パイプライン、高次元のスパース発現空間における不安定なモデリング、再構成のような精度を過度に重視しつつ生物学的忠実度を過小評価する評価プロトコル。
本研究では、上記の制約を共同で対処する、仮想細胞撹乱予測のための専門的な大規模基盤モデル SCALE を提示します。まず、BioNeMo ベースの学習・推論フレームワークを構築し、データスループット、分散スケーラビリティ、デプロイメント効率を大幅に改善し、同等のシステム設定の下で前の SOTA パイプラインに対して事前学習で12.51倍、推論で1.29倍の速度向上を達成します。次に、撹乱予測を条件付き輸送として定式化し、集合を意識したフローアーキテクチャを用いて実装します。これにより、LLaMA ベースの細胞エンコーディングとエンドポイント指向の監督を結合します。この設計は、より安定した学習と撹乱効果のより強い回復をもたらします。第三に、Tahoe-100M に対して、生物学的に意味のある指標を中心とした細胞レベルの厳格なプロトコルを用いて評価します。再構成のみを基準とはしません。このベンチマークで、私たちのモデルは STATE に対して PDCorr を 12.02%、DE Overlap を 10.66% 向上させました。これらの結果は、仮想細胞を前進させるには、より良い生成目的だけでなく、スケーラブルなインフラの共設計、安定したトランスポートモデリング、および生物学的忠実性を重視した評価の共設計が必要であることを示唆しています。