很快就会有大规模的健康状态的器官图谱，特别是人类细胞图集。这是更好地了解健康状态的细胞，组织和器官的重要步骤，并且在诊断，监测和治疗疾病时提供参考。然而，由于治疗和疾病状况的可能组合的绝对数量，扩展这些数据以表征传统生命科学实验室中的疾病和疾病治疗是劳动密集型且昂贵的，因此不可扩展。

准确建模细胞对扰动的反应(例如，疾病，化合物，遗传干预)是计算生物学的核心目标。尽管存在基于统计和机械方法的模型，但尚未有基于机器学习的解决方案可用于未观察到的高维现象。此外，scGen是第一个预测样本外细胞反应的工具。这意味着，如果对捕获给定系统的扰动影响的数据进行训练，scGen能够对不同的系统进行可靠的预测。“我们第一次有机会使用一个模型系统中生成的数据，如鼠标，并使用数据预测疾病或者对人类患者的治疗反应，“Mohammad Lotfollahi，博士生(HelmholtzZentrumMünchen和TechnischeUniversitätMünchen)说。

scGen是一种生成性的深度学习模型，它利用来自图像，序列和语言处理的思想，并且第一次将这些想法应用于计算机模拟细胞的行为。团队的下一步是将scGen改进为完全数据驱动的公式，增加其预测能力，以便研究扰动组合。“我们现在可以开始优化scGen以回答有关疾病的越来越复杂的问题，”团队负责人Alex Wolf和计算生物学研究所所长兼生物系统数学建模主席Fabian Theis说。