Storskaliga atlaser över organ i ett friskt tillstånd kommer snart att finnas tillgängliga, särskilt, den mänskliga cellatlasen. Detta är ett viktigt steg för att bättre förstå celler, vävnader och organ i friskt tillstånd och ger en referens vid diagnos, övervakning och behandling av sjukdom. Dock, på grund av det stora antalet möjliga kombinationer av behandling och sjukdomstillstånd, att utöka dessa data för att karakterisera sjukdom och sjukdomsbehandling i traditionella biovetenskapslaboratorier är arbetsintensivt och kostsamt, och därför inte skalbar.

Exakt modellering av cellulärt svar på störningar (t.ex. sjukdom, föreningar, genetiska ingrepp) är ett centralt mål för beräkningsbiologin. Även om modeller baserade på statistiska och mekanistiska metoder finns, Det har ännu inte funnits någon maskininlärningsbaserad lösning som är genomförbar för oobserverade högdimensionella fenomen. Dessutom, scGen är det första verktyget som förutsäger cellulärt svar utanför provet. Detta innebär att scGen, om tränad på data som fångar effekten av störningar för ett givet system, kan göra tillförlitliga förutsägelser för ett annat system. "För första gången, vi har möjlighet att använda data som genereras i ett modellsystem som mus och använda data för att förutsäga sjukdom eller terapisvar hos mänskliga patienter, sade Mohammad Lotfollahi, Ph.D. student (Helmholtz Zentrum München och Technische Universität München).

scGen är en generativ modell för djupinlärning som utnyttjar idéer från bild, sekvens och språkbehandling, och, för första gången, tillämpar dessa idéer för att modellera beteendet hos en cell i silico. Nästa steg för teamet gäller att förbättra scGen till en helt datadriven formulering, öka dess prediktiva kraft för att möjliggöra studier av kombinationer av störningar. "Vi kan nu börja optimera scGen för att svara på fler och mer komplexa frågor om sjukdomar, sa Alex Wolf, Lagledare, och Fabian Theis, Direktör för Institutet för beräkningsbiologi och ordförande för matematisk modellering av biologiska system vid Technische Universität München.