AssayLoop находит 27,7% попаданий, проверяя около 5% библиотеки кандидатов

Авторы собрали AssayBench-Loop — набор из 1 389 прошлых CRISPR-скринингов, где учёные по очереди проверяли гены и отмечали, какие вмешательства дали нужный признак. Это важно, потому что обычно для каждого нового эксперимента приходится заново строить модель и почти не удаётся использовать опыт предыдущих скринингов. Здесь вместо этого обучили общую стратегию: она смотрит на описание задачи и на уже полученные результаты, а затем ранжирует гены для следующего раунда.

Основу системы составляет AssayFormer — модель на архитектуре трансформера, которая учится связывать признаки разных скринингов и учитывать обратную связь по ходу текущего эксперимента. Её дообучали так, чтобы она не просто угадывала перспективные гены, а меняла выбор после новых наблюдений. На старте к этой стратегии добавляют подсказки большой языковой модели о биологии, а затем система постепенно передаёт приоритет решениям, основанным на реальных результатах текущего скрининга. Отдельно авторы показали вариант AssayLLM, где тот же принцип перенесли непосредственно на языковую модель.

Проверка шла на скринингах, которые оставили вне обучения и расположили по времени позже исторических данных. Система работала лучше не только случайного выбора, но и других адаптивных методов, одной языковой модели и AssayFormer без языковых подсказок. Чем больше прошлых экспериментов использовали для обучения, тем лучше становился результат; кроме того, стратегия переносилась на категории биологических признаков, которых не было в обучающей части. Это показывает именно перенос опыта между задачами, а не просто подгонку под один знакомый эксперимент.