摘要
扰动实验对理解细胞机制至关重要，但成本高昂且数据稀疏。近期研究利用大语言模型作为“虚拟细胞”，通过基于知识的逐步机制推理来预测基因表达响应。然而，本文发现现有方法虽能生成生物学上合理的解释，却无法捕捉特定的扰动效应，往往高估差异表达，表现甚至不如简单的基线。究其原因是缺乏对比视角。为此，作者提出 CORE 框架，通过组织相关扰动的正负结果将预测重构为对比任务。实验表明，CORE 显著提升了 LLM 在非观测条件下的扰动特异性预测能力与校准度。
AI 推荐理由
论文核心研究 LLM 在细胞扰动中的推理机制，提出对比证据组织方法以提升推理准确性。
研究机构
Mila - Quebec AI Institute
University of Montreal
HEC Montréal
University of Ottawa
National Research Council of Canada
CIFAR AI Chair
论文信息