Nature Biotechnology · 1. Oktober 2026 · Aus Ausgabe 45
Deep learning perturbation models can outperform baselines on calibrated metrics
Programme zur Vorhersage von Gen-Editing schlagen einfaches Raten, sobald fehlerhafte Bewertungstests korrigiert wurden.
Henry E. Miller, Gabriel M. Mejia et al.
Viele Tests, mit denen man Programme zur Vorhersage von Gen-Editing beurteilte, waren fehlerhaft. Diese Tests konnten oft nicht zwischen einem guten Programm und einer zufälligen Schätzung unterscheiden. Neue, fairere Tests wurden entwickelt und an 14 Datensätzen und 18 Bewertungsmethoden geprüft. Mit diesen besseren Tests schnitten die intelligenten Programme tatsächlich besser ab als einfaches Raten.
Integritätsprüfung: bestanden (3 Prüfungen) Geprüft am 15. November 2026. Zur Quelle
Die verständliche Lektüre dieser Studie steht in der vollen Ausgabe, für Abonnenten.
Volle Ausgabe lesen