跳到正文
bioRxiv· Huang, Z.; Huang, R.·· 来源仅提供日期AI 评分57

合成致死预测研究分离基准区分度与实验检索

Separating benchmark discrimination from experimental retrieval in synthetic-lethality prediction

AI 导读

一项合成致死预测研究把匹配负样本下的基准分数与实测筛选池中的检索表现并置,发现接近随机的匹配测试 AUROC 仍可能对应有效的实验命中。

预印本 · biorxiv · 10.64898/2026.10.25.761509

本站摘要基于收录版本 v1(2026-10-31),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

度感知评估可以揭示合成致死预测中的采样偏差,但模型的度受控基准得分应如何指导其在实验筛选中的应用?我们将固定预测的基准干预与在实测实验池中的检索联系起来。在五个基因不相交的折中,将随机测试负样本替换为度匹配负样本后,SLMGAE 的平均 AUROC 从 0.782 变为 0.501,GCATSL 从 0.721 变为 0.502,GRSMF 从 0.656 变为 0.492,SL2MF 从 0.376 变为 0.519。SL2MF 的反向变化表明,测试集构成既可能压低也可能抬高判别能力。交叉训练-测试实验和三随机种子诊断将这些变化与 GCATSL 在匹配训练过程中的性能退化区分开来。在四项实测筛选中,同一个用随机负样本训练的 SLMGAE 状态在 198 次选择中检索到 21 个 SPIDR 命中,而随机排序下预期为 8.00 个:尽管在匹配测试集上的 AUROC 接近随机水平,仍实现了 2.62 倍的富集(任务内 Holm 校正 p=0.0008)。在 HAP1、一个包含 27 个细胞系的数据汇编以及 SCHEMATIC 中,均未确立可比的稳健主要增益,其覆盖有限且观测之间存在依赖,限制了推断。一个独立的 HAP1 域内对照检索到 11 个命中,而预期为 2.02 个。这些结果确立了度受控基准判别能力与实验命中检索之间的实证分离。接近随机水平的匹配测试得分可以与有用的实验优先级排序并存。我们发布的评估套件使这两个特性都能从保存的预测中被测量,并附带训练可行性和任务覆盖的检查。

来源:bioRxiv · biorxiv.org