Neue Forschung, in klarer Sprache

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

Fünf geprüfte Studien, verständlich erklärt, kostenlos alle zwei Tage

Fünf Studien frei in jeder Ausgabe, etwa 15 E-Mails im Monat. Kein Spam. Abmelden mit einem Klick.

Ebenfalls in Ausgabe 45 15 Studien