transcriptomics

本文使用来自 TCGA-BRCA 的多组学数据，系统地基准测试了用于 ER 状态预测的经典机器学习模型（Random Forest、XGBoost 等），发现 RNA 表达提供了最强的预测信号，并且在整合的多组学设置中，Random Forest 达到了 90.3% 的平衡准确率。

PerturbCellRL 提出一种强化学习框架，通过使用细胞级验证器作为奖励对预训练的单细胞转录组生成器进行后训练，从而在分布匹配之外提升扰动预测的生物学一致性。

来自Arc Institute的一篇新预印本介绍了PerturbSpace，这是一种空间分辨、多模态全转录组CRISPR筛选方法，与标准单细胞工作流程兼容。

本文正式将基于转录组的药物设计（TBDD）形式化为一个生成式逆问题，并提出了CURE——一个多分辨率转录组引导的扩散框架，能够生成以所需转录组状态转变为条件的药物分子。