GeneDisco

GeneDisco是一个用于评估药物发现中实验设计主动学习算法的基准套件。它包含一组精心策划的多个公开可用的实验数据集，以及用于实验设计和探索的最新主动学习策略的开源实现。

GeneDisco is a benchmark suite for evaluating active learning algorithms for experimental design in drug discovery. It contains a carefully curated collection of multiple publicly available experimental datasets, as well as open-source implementations of state-of-the-art active learning strategies for experimental design and exploration.

搜集汇总

数据集介绍

构建方式

在药物研发的早期阶段，体外细胞遗传干预实验是验证生物学机制与疾病病理之间因果关联的关键步骤。GeneDisco基准测试套件的构建，旨在为这一挑战性任务提供标准化的评估平台。该数据集精心整合了多个公开可用的实验数据集，涵盖四种全基因组CRISPR筛选实验，分别测量T细胞增殖、白介素-2与干扰素-γ的产生以及白血病细胞对NK细胞的敏感性。同时，它提供了三组标准化的基因干预描述符：来自Achilles项目的依赖性评分、STRING数据库的蛋白质互作网络嵌入以及癌症细胞系百科全书（CCLE）的蛋白质组学数据。这些描述符通过统一的编程接口集成，允许用户自定义扩展，从而构建了一个全面且灵活的基准框架。

特点

GeneDisco数据集的核心特点在于其针对批量主动学习在药物发现实验设计中的专门化设计。它首次为生物探索任务提供了经过精心策划的开放基准，填补了该领域标准化数据集的空白。该数据集不仅包含多样化的真实世界CRISPR筛选结果，还集成了多种最先进的主动学习获取函数，如BALD、BADGE、Coreset等，并提供了贝叶斯神经网络和随机森林等模型实现。其显著优势在于支持对模型性能（如均方误差）和发现生物学相关靶点（命中率）的双重评估，揭示了模型改进与靶点发现之间的微妙权衡，为研究者提供了深入分析不同获取函数在不同批次大小和描述符下表现的能力。

使用方法

使用GeneDisco数据集时，研究者可以模拟迭代式批量主动学习流程。首先，利用提供的基因干预描述符（如Achilles、STRING或CCLE）作为输入特征，以对应的CRISPR筛选结果作为目标变量。在每个主动学习周期中，基于已标记数据训练反事实估计器（如贝叶斯神经网络），然后通过选择的获取函数从剩余未探索的干预池中挑选出最具信息量的批次进行模拟实验。该基准提供了标准化的性能评估指标，包括模型预测误差和感兴趣靶点的累积发现比率。通过比较不同获取函数和模型配置在多个数据集上的表现，研究者能够系统地评估和优化其算法在药物发现实验设计中的有效性。

背景与挑战

背景概述

在药物发现与开发领域，新疗法的研发成功率长期徘徊于5%左右，单个项目的平均耗时超过十年，资金投入则高达数十亿美元。为加速这一进程，确立药物靶点与疾病之间的因果关联至关重要。随着CRISPR等基因编辑技术的兴起，体外细胞实验已成为早期靶点验证的核心手段。然而，面对约两万个蛋白编码基因、数千种细胞状态及数万种可测量指标所构成的数百亿种潜在实验组合，即便是全球顶尖研究机构的实验能力也显得捉襟见肘。在此背景下，葛兰素史克、麻省理工学院、牛津大学等机构的研究人员于2021年共同推出了GeneDisco基准测试集，旨在为药物发现中的实验设计提供一个标准化评估平台，推动机器学习方法在该领域的系统性应用。

当前挑战

GeneDisco所应对的核心挑战在于，如何在极其庞大的生物假说空间中高效地筛选出具有治疗潜力的基因干预靶点。具体而言，该领域面临的挑战包括：其一，实验设计空间呈组合爆炸式增长，现有实验通量远不足以穷举所有可能的基因干预组合；其二，缺乏统一、公开的基准测试平台，导致不同主动学习与强化学习方法之间的性能无法进行公平比较与系统评估；其三，在构建过程中，需要整合来自不同来源（如Achilles、STRING、CCLE）的异质性数据作为干预描述符，并统一处理多个全基因组CRISPR筛选实验（如T细胞增殖、IL-2与IFN-γ产生、白血病细胞对NK细胞敏感性）的输出结果，确保数据标准化与可复现性；其四，模型验证在早期主动学习轮次中因标注样本稀少而尤为困难，同时实验噪声进一步增加了不确定性管理的复杂性。

常用场景

经典使用场景

在药物发现的早期阶段，利用CRISPR等基因编辑技术进行体外细胞实验是验证生物学机制与疾病病理之间因果关联假说的关键步骤。GeneDisco基准测试套件正是在这一背景下应运而生，其核心使用场景是评估和比较批量主动学习算法在实验设计中的表现。通过整合多个公开的CRISPR全基因组筛选实验数据集，GeneDisco为研究者提供了一个标准化的平台，用以模拟在浩瀚的遗传干预空间中高效选择最有信息量的实验批次，从而加速从海量候选基因中识别具有治疗潜力的分子靶点。

解决学术问题

GeneDisco直面了药物发现领域一个严峻的学术挑战：如何系统性地探索由数万个蛋白编码基因和多种细胞状态构成的、规模达数千亿级别的实验设计空间。该数据集通过提供标准化的基准，解决了该领域长期缺乏统一评估平台的问题，使得机器学习研究者能够量化不同主动学习策略（如信息论方法BALD、多样性采样Coreset）在真实生物学数据上的表现。其意义在于揭示了模型性能提升与有价值靶点发现之间的权衡，为后续开发更高效的实验探索策略奠定了坚实的实证基础，有望将药物研发的成功率从当前的5%显著提升。

衍生相关工作

GeneDisco的发布催生了一系列相关领域的经典工作。在方法论层面，它直接推动了针对高维、连续型回归任务的主动学习采集函数创新，例如将针对分类任务的BADGE方法适配到回归场景，以及开发了SoftBALD等随机化采集策略来平衡探索与利用。在应用层面，该基准启发了将因果推断与主动学习深度融合的研究，催生了如Causal-BALD等工作，旨在更精准地估计干预措施的反事实效果。此外，GeneDisco还促进了可复现性研究，其开源代码库和标准化评估流程已成为后续比较不同实验设计算法的新标准。