GenePT

GenePT

ChatGPT驱动的高效单细胞基因分析模型

GenePT是一种创新的单细胞基础模型,利用ChatGPT嵌入技术解析基因和细胞级生物学问题。该模型基于NCBI基因描述和GPT-3.5生成基因嵌入,无需繁琐的数据整理和密集计算。在基因属性和细胞类型分类等多项任务中,GenePT展现出优异性能,常超越现有模型。这一方法为生物学基础模型开发提供了简便有效的途径,彰显了大型语言模型在文献嵌入方面的应用潜力。

GenePT单细胞基础模型基因嵌入细胞嵌入ChatGPTGithub开源项目

GenePT <img src="https://yellow-cdn.veclightyear.com/ab5030c0/c9433269-d0df-4659-a765-97dacb818e70.png" align="right" width="150px"/>

新闻

2024年3月:我们上传了新的GenePT嵌入,包括1. 额外的蛋白质信息和2. 更新的文本嵌入模型,可在 DOI 获取。

GenePT是什么?

GenePT是一个单细胞基础模型(即在广泛数据上训练的模型,使其能够应用于各种下游任务),利用ChatGPT嵌入来解决基因级和细胞级生物学任务。这个项目受到最近使用大规模基因表达数据(例如,数千万个细胞)开发单细胞生物学基础模型的重大进展的启发。

现有模型间接从基因表达谱中学习基因和细胞功能,通常需要大量数据整理和资源密集型训练。相比之下,GenePT提供了一种互补方法,使用NCBI的单个基因文本描述结合GPT-3.5生成基因嵌入。GenePT然后通过两种方式产生单细胞嵌入:(i) 通过平均基因嵌入,按每个基因的表达水平加权;或 (ii) 为每个细胞创建一个句子嵌入,使用按表达水平排序的基因名称。

无需数据集整理和额外预训练,GenePT高效且用户友好。在许多用于评估近期单细胞基础模型的下游任务中——如分类基因属性和细胞类型——GenePT达到了与现有单细胞基础模型相当,甚至更优的性能。GenePT证明,使用大型语言模型对文献的嵌入是开发生物学基础模型的一种直接有效的方法。

如何使用GenePT?

用于生成GenePT数据和复现论文分析的脚本可在仓库中找到(每个脚本的详细信息见下面的分析文件breakdown部分)。

我们还提供以下随时可用的数据集,可能对更广泛的应用有用:

  1. 从每个基因的NCBI页面提取的摘要文本。
  2. 对应基因摘要的预计算OpenAI嵌入(text-embedding-ada-002text-embedding-3-large)。

这些数据存放在 DOI

教程和使用

我们提供示例笔记本来运行以下分析:

  1. 基因级预测任务
  2. 基因-基因相互作用分析
  3. 细胞级生物数据注释
  4. 批次效应去除(心肌细胞数据集;主动脉数据集)

如果您需要当前未包含的教程,请提交问题

引用

如果您在分析中使用了GenePT,请引用我们的论文:

Chen YT, Zou J. (2023+) GenePT: A Simple But Effective Foundation Model for Genes and Cells Built From ChatGPT. bioRxiv预印本:https://www.biorxiv.org/content/10.1101/2023.10.16.562533v2。

分析文件breakdown:

  1. request_ncbi_text_for_genes.ipynb 提供下载NCBI基因摘要页面的示例代码。
  2. gene_embeddings_examples.ipynb 提供使用GPT-3.5嵌入对步骤1中提取的描述进行嵌入的示例代码。注意,这需要有效注册OpenAI API(参见https://openai.com/blog/openai-api 的说明和定价详情)。
  3. gene_level_task_table_1.ipynb 复现论文表1中GenePT嵌入的基因级任务。
  4. gene_level_task_figure_2.ipynb 提供论文图2中描述的基因级任务所需的数据和输出。
  5. aorta_data_analysis.ipynb 提供不到20行代码创建基础模型细胞嵌入的示例代码,并演示批次效应去除 + 生物学保留(论文图4结果)。

GenePT使用的数据集

  1. 对于基因级任务,我们使用以下数据集:
  2. 对于细胞级任务,我们使用以下数据集:
    • hPancreas、Myeloid和Multiple Sclerosis(由Cui等人(2023+)处理和分发)
      • Multiple Sclerosis (M.S.) 数据集:链接
      • Myeloid (Mye.) 数据集:链接
      • hPancreas数据集:链接
    • 心肌细胞数据集:
    • 主动脉数据集:
      • 原始数据已存放在此,我们使用了作者在GitHub上提供的额外细胞类型注释。
      • 我们创建了原始数据集的20%随机子集(链接)。
  3. 初始基因列表从vocab.json(由scGPT作者提供)和token_dictionary.pkl整理而来。

参考文献:

  1. Chaffin, M. et al. Single-nucleus profiling of human dilated and hypertrophic cardiomyopathy. Nature 608, 174–180 (2022).
  2. Chen YT, Zou J. (2023+) GenePT: A Simple But Hard-to-Beat Foundation Model for Genes and Cells Built From ChatGPT. bioRxiv预印本:https://www.biorxiv.org/content/10.1101/2023.10.16.562533v1。
  3. Cui, H., et al. (2023). scGPT: Towards building a foundation model for single-cell multi-omics using generative AI. bioRxiv, 2023-04.
  4. Li, Y. et al. Single-cell transcriptome analysis reveals dynamic cell populations and differential gene expression patterns in control and aneurysmal human aortic tissue. Circulation 142, 1374–1388 (2020).

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多