Cell2SentenceΟープεν-σορς framework που μετατρέπει τα εκφραστικά βεκτόρα σε 'φράσεις κυττάρου' για να μπορούν τα LLMs να ανάλυζουν και να παράγουν βιολογικές κατανόηση.

Το Cell2Sentence είναι ένα ανοικτό πεδίο πλαίσιο εργασίας που μετατρέπει δεδομένα εστιασμένης έκφρασης γονιδίων σε 'κεφάλαια κυττάρου' για ανάλυση και δημιουργία προσόψεων από Μεγάλες Μηχανές Γλώσσας (LLMs). proposes μια ранκόλογη μετατροπή βεσιών έκφρασης στο κεφάλαιο κυττάρου στα διαχωρισμένα ονόματα γονιδίων κατανέμεται από τα καταστήματα που κατατείνωνται. Αυτό επιτρέπει τις LLMs να ελάχιστοι-γλώσσα μοντάραινε τη δεδομένα ρυθμού RNA-secing (scRNA-seq) με φύσικο-γλώσσα. Το πλαίσιο περιλαμβάνει τα C2S-Μέτρα τομείς, την ενώνει των γενομετρικών και γλωσσικών στοιχείων και επιτρέπει προχωρημένες εργασίες ατόμων του κυττάρου, όπως την προβλεπόμενη διορθώσεις, την περιγραφική-συνοψιμότητα του μερικών-εμπειρωμάτων, ερμηνεία-απάντησης του αποδομητικού-περίπτωσης και η αποκωδικοποίηση-εγγραφής της βιολογικών. τα C2S-Μέτρα-Τομεία είναι διαθέσιμα στα Hugging Face και στηρίζονται σε αρχιτεκτονικά όπως η Pythia και η Gemma-2. Το Cell2Sentence προορίζεται για έρευνες και επιστήμονες που εργάζονται με δεδομένα της τρανκριπτικής του ατόμου του κυττάρου. Το σώμα του πλαισίου έχει ενημερωθεί με νέα μοντέλα και χαρακτηριστικά, συμπεριλαμβανομένης της υποστήριξής του για την ελαφρύνση των μοντέλων σε ιδιωτικές προθεσμίες και τη διάθεσή του στις προθεσμίες πολλαπλών κύττων. Επίσης, περιλαμβάνει ένα σύνολο μοντέλων Pythia για την προβλέψιμε των τύπων κύττων, την προβλέψιμη ελαφρύνσει με βάση τους τύπους κύττων και ένα ποικίλο μοντέλο πολλαπλής προστασίας που εκπαιδεύθηκε με περισσότερα από 57 εκατομμύρια ανθρώπινα και ποντίκια κύτταρα. Το πλαίσιο Cell2Sentence είναι τεκμηiolόγητο και έχει tutorials για τον έλεγχο του, συμπεριλαμβανομένων παραδειγμάτων εκπαίδευσης και διαμόρφωσης πολλαπλών κελιών για το προβλήμα της παραίνεσης. Η ανάπτυξη του Cell2Sentence πραγματοποιείται από το Lab Dijk και έχει δημοσιευτεί σε προπαρασκευαστική δημοσίευση στο bioRxiv. Η Cell2Sentence παρέχει εξαιρετικές δυνατότητες ανακάλυψης κυττάρων μονάδας με LLMs.