¡La clasificación del Obesity ML Challenge empieza a mostrar una señal real! En colaboración con @Schmidt_Center, estamos utilizando aprendizaje automático para predecir cómo responden las células a los cambios que influyen en el desarrollo y almacenamiento de grasa. Diseñamos dos pistas de evaluación para comprobar qué tan bien los modelos predicen lo que ocurre dentro de las células cuando intervenimos en ellas. Este hilo explica cómo funciona la tabla de clasificación...

Primero, ¿qué queremos decir con intervenir (o "perturbar") una célula? Una perturbación es un cambio controlado que aplicamos a una célula, como activar o desactivar un gen o añadir un fármaco, para ver cómo responde la célula. Esa respuesta es lo que se le pide a tu modelo que prediga.

El desafío tiene dos circuitos, cada uno poniendo a prueba una habilidad diferente. Pista 1: Métricas a nivel transcriptoma Esto ayudará a responder si tu modelo puede predecir cómo cambia la expresión génica tras una perturbación. Vía 2: Métricas a nivel de programa Esto ayudará a responder si tu modelo puede predecir en qué estado acaba la célula.

Pista 1: Métricas a nivel transcriptoma Cuando perturbamos una célula, miles de genes pueden cambiar su actividad. Esta canción pregunta: ¿Tu modelo predijo qué genes aumentaron, cuáles bajaron y en cuánto? Evaluamos esto usando dos métricas.

Métrica 1: Delta de Pearson Esto mide lo cerca que están tus predicciones de lo que realmente ocurrió. - ¿Predijo la dirección correcta del cambio? - ¿Predijo la magnitud correcta? Cuanto más ajustadas sean las partidas, mayor es la puntuación.

Métrica 2: Discrepancia Media Máxima (MMD) En lugar de revisar los genes uno a uno, la MMD analiza el panorama completo. Pregunta: - ¿Tu distribución de expresión génica prevista se parece a la real? Esto ayuda a detectar modelos que no tienen estructura general.

Vía 2: Métricas a nivel de programa Los genes trabajan juntos para empujar a las células a estados biológicos. Tras una perturbación, una celda puede cambiar a: - pre-grasa - grasa madura - modo de almacenamiento de grasa Este seguimiento comprueba si tu modelo predice correctamente estos resultados.

Medimos esto usando algo llamado "distancia L1". Compara: - la proporción real de celdas en cada estado vs - las proporciones predichas de tu modelo Cuanta menor sea la distancia, mejor se entiende en qué se convierte la célula.