PIE: Generalizing perturbation effects across unseen perturbations, contexts and datasets
预印本（未经同行评审）：Verma 等（Arc 研究所）提出 PIE，将扰动响应学习改写为群体层面效应预测，利用外部生物知识、基线表达与已观测响应，直接预测每个（细胞语境，扰动）组合的差异表达基因与表达变化，并可预测训练中未见的基因。作者报告：在 Replogle–Nadig 数据集上，所有测试的泛化设置中多数指标达到当前最佳；各设置（未见语境、未见扰动、未见数据集、语境与扰动均未见）下差异基因 AUPRC 为最强基线的 1.2–3.2 倍。为作者自报结果，尚无独立评测。
- 作者 / 机构
- Verma R, Adduri A, Bevilacqua B, Eraslan B, Burke D, Goodarzi H, Roohani Y.
- 发表于
- bioRxiv (preprint, not peer-reviewed)
- 日期
- 2026-10-05
- 类型
- 预印本
- 年份
- 2026
- DOI
- 10.64898/2026.10.02.756297
- 核验来源
- bioRxiv API details (title, 7 authors, posted 2026-10-05, v1, new results, CC BY, corresponding institution Arc Institute, abstract) fetched 2026-10-20; full text not read; KB id VC0166 (renumbered 2026-10-20)
被 GlioState 专题引用
尚未被任何研究专题页引用。