
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合BulkFormer和TabPFN算法,从肾活检样本中预测在常温机械灌注或低温储存条件下移植后的肾功能
《Scientific Reports》:Combining BulkFormer and TabPFN to predict post-transplant function from kidney biopsies during normothermic machine perfusion or cold storage
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要从转录组数据生成预测是一项具有独特挑战性的任务,因为基因数量庞大,且样本量通常较小。BulkFormer 和 TabPFN 分别成为处理大量转录组数据和表格数据的领先基于Transformer的基模型。我们探索了一种使用 BulkFormer-TabPFN v2.5 的人工智
从转录组数据生成预测是一项具有独特挑战性的任务,因为基因数量庞大,且样本量通常较小。BulkFormer 和 TabPFN 分别成为处理大量转录组数据和表格数据的领先基于Transformer的基模型。我们探索了一种使用 BulkFormer-TabPFN v2.5 的人工智能流程,该流程能够在不进行重新训练的情况下从 RNA-Seq 计数数据生成零样本预测。这一流程在来自捐赠的人类肾脏的三个活检队列中进行了测试。BulkFormer-TabPFN 能够利用体外常温机器灌注(NMP)过程中肾脏的 RNA-Seq 计数来预测肾脏功能的延迟(c 统计值 = 0.82,95% 置信区间 0.67–0.97)。在以下条件下优化了预测准确性:BulkFormer-TabPFN 与单独使用 TabPFN 对比;以及BulkFormer 基于基因级别的嵌入的最大绝对聚合值。冷存活检样本的预测性能较差。研究表明,在体外 NMP 过程中对 BulkFormer 的预测结果进行细胞因子过滤处理后,其预测能力得到了提升,这表明它们可能成为评估新型治疗方法效果的动态替代指标,而这些治疗方法与移植后的结果密切相关。这项研究首次证明了这些基模型在无需模型重新训练的情况下生成零样本预测的协同优势。尽管这项工作还处于探索阶段,但所提供的代码为从 RNA-Seq 计数数据生成预测提供了一个蓝图,该方法可应用于器官移植领域及其它广泛的生物医学场景。