Deep learning perturbation models can outperform baselines on calibrated metrics.
Miller 等（Nature Biotechnology 2026；作者来自 Shift Bioscience，论文含利益冲突声明）：14 个数据集、18 个指标上的阳性对照基线与“动态范围分数”校准框架；认为 MSE 与 Pearson delta 常校准不良，在校准指标下深度学习模型可超过无信息基线。与 VC0048/VC0049/VC0052/VC0144/VC0145 立场相对。
- 作者 / 机构
- Miller HE, Mejia GM, Leblanc FJA, Swain B, Wang B, de Lima Camillo LP.
- 发表于
- Nature biotechnology
- 日期
- 2026-10-01
- 类型
- 论文
- 年份
- 2026
- DOI
- 10.1038/s41587-026-03307-w
- PMID
- 42823510
- 核验来源
- Europe PMC (metadata; preprint 10.1101/2025.10.20.683304 indexed as PPR1104931) + Nature article page via doi.org read 2026-10-16 (full text, incl. competing interests); PMID 42823510
被 GlioState 专题引用
涉及的实体
- 简单线性基线 方法与概念