Nature Biotechnology · 1er octobre 2026 · Du numéro 45
Deep learning perturbation models can outperform baselines on calibrated metrics
Les programmes de prédiction en édition génétique font mieux qu'une simple estimation au hasard, une fois les tests de notation défaillants corrigés.
Henry E. Miller, Gabriel M. Mejia et al.
Beaucoup de tests utilisés pour juger les programmes de prédiction en édition génétique étaient défaillants. Ces tests n'arrivaient souvent pas à distinguer un bon programme d'une estimation au hasard. De nouveaux tests, plus justes, ont été construits et vérifiés sur 14 jeux de données et 18 méthodes de notation. Avec ces meilleurs tests, les programmes intelligents ont effectivement fait mieux qu'une simple estimation au hasard.
Contrôle d'intégrité : réussi (3 contrôles) Vérifié le 15 novembre 2026. Lire la source
La lecture en langage clair de cette étude est dans le numéro complet, pour les abonnés.
Lire le numéro complet