De Obesity ML Challenge ranglijst begint echte signalen te tonen! In samenwerking met @Schmidt_Center gebruiken we machine learning om te voorspellen hoe cellen reageren op veranderingen die invloed hebben op de ontwikkeling en opslag van vet. We hebben twee evaluatietracks ontworpen om te testen hoe goed modellen voorspellen wat er binnen cellen gebeurt wanneer we ingrijpen. Deze thread legt uit hoe de ranglijst werkt…

Eerst, wat bedoelen we met het ingrijpen (of "storen") van een cel? Een perturbatie is een gecontroleerde verandering die we aan een cel aanbrengen, zoals het in- of uitschakelen van een gen of het toevoegen van een medicijn, om te zien hoe de cel reageert. Die reactie is wat je model wordt gevraagd te voorspellen.

De uitdaging heeft twee sporen, elk testend een andere vaardigheid. Spoor 1: Transcriptome-brede metrics Dit zal helpen te beantwoorden of jouw model kan voorspellen hoe genexpressie verandert na een verstoring. Spoor 2: Programma-niveau metrics Dit zal helpen te beantwoorden of jouw model kan voorspellen in welke staat de cel eindigt.

Track 1: Transcriptome-brede metrics Wanneer we een cel verstoren, kunnen duizenden genen van activiteit veranderen. Deze track vraagt: Heeft jouw model voorspeld welke genen omhoog gingen, welke omlaag gingen, en met hoeveel? We evalueren dit met behulp van twee metrics.

Metriek 1: Pearson Delta Dit meet hoe dicht je voorspellingen bij de werkelijke uitkomsten liggen. - Heb je de juiste richting van verandering voorspeld? - Heb je de juiste omvang voorspeld? Hoe dichter de overeenkomsten, hoe hoger de score.

Metriek 2: Maximale Gemiddelde Afwijking (MMD) In plaats van genen één voor één te controleren, kijkt MMD naar het geheel. Het vraagt: - Lijkt jouw voorspelde genexpressie-distributie op de echte? Dit helpt modellen te detecteren die de algehele structuur missen.

Track 2: Programma niveau metrics Genen werken samen om cellen in biologische toestanden te duwen. Na een verstoring kan een cel verschuiven naar: - pre-vet - volwassen vet - vetopslagmodus Deze track controleert of jouw model deze uitkomsten correct voorspelt.

We meten dit met iets dat "L1-afstand" wordt genoemd. Het vergelijkt: - de werkelijke proportie van cellen in elke staat tegen - de voorspelde proporties van jouw model Hoe lager de afstand, hoe beter het begrip van wat de cel wordt.