في عالم الأبحاث الجينية، يعتبر اختيار مجموعات جينية مدمجة ومفيدة من بيانات النسخ الجينية الخلوية الفردية (Single-Cell Transcriptomic Data) أمرًا حيويًا لاكتشاف العلامات البيولوجية، وزيادة القدرة على تفسير البيانات، وتقليل التكاليف. ومع ذلك، تعتمد معظم الأساليب الحالية على خطوات متعددة أو على تمييز السمات بعد التجربة، مما يجعل العلاقة بين الاختيار والتنبؤ ضعيفة.

تقديم تقنية YOTO (You Only Train Once) يعد خطوة كبرى في هذا الاتجاه، حيث هو إطار عمل شامل يتناول عملية تحديد مجموعات الجينات بشكل متزامن مع عملية التنبؤ، وداخل بنية معمارية قابلة للاختلاف. الفائدة هنا تكمن في أن مهمة التنبؤ توجّه مباشرةً اختيار الجينات، في حين أن المجموعات المتعلمة تؤثر على التمثيل التنبؤي. هذا التفاعل المغلق يتيح للنموذج تحسين كل من الاختيار والتنبؤ خلال عملية التدريب.

على عكس الأساليب المتاحة، يفرض YOTO اعتماد الصرامة، مما يضمن أن الجينات المختارة فقط تساهم في الاستدلال، مما يلغي الحاجة لتدريب مصنفات إضافية. من خلال تصميم تعليم متعدد الاستخدامات، يتعلم النموذج تمثيلات مشتركة عبر الأهداف ذات الصلة، مما يسمح لمجموعات بيانات ذات تسميات جزئية بأن تفيد بعضها البعض، واكتشاف مجموعات جينية تتعمق في التعميم عبر المهام بدون خطوات تدريب إضافية.

لقد قمنا بتقييم YOTO على مجموعتين تمثيليتين من بيانات RNA-seq الخلوية الفردية، مما أظهر أنها تتفوق باستمرار على المعايير المتاحة، مما يدل على أن اختيار مجموعات الجينات بكفاءة في عملية تعليم متعددة المهام يعزز الأداء التنبؤي ويحقق نتائج جينية مدمجة ومعنوية، مما يساعد في دفع جهود اكتشاف المؤشرات الحيوية وتحليل البيانات الخلوية الفردية.