原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，将遗传学研究的世界视为一座巨大的图书馆，里面藏有数百万本关于人体运作机制的书籍。这些“书籍”实际上是存储在公共仓库中的包含基因表达信息的数据集。问题在于，这些书籍是用完全不同的语言和格式写成的。有些是用老式打字机（微阵列）写成的，而另一些则打印在现代数字屏幕（RNA-seq）上。由于它们之间的“墨水”、纸张质量甚至字母表差异巨大，试图将它们全部放在一起以描绘出整体图景，就像试图拼凑一幅拼图，其中一半的拼图块来自完全不同的盒子。数据测量方式的差异会产生一种“静电”或噪声，使得研究之间的比较或为得出更强有力的结论而进行合并变得几乎不可能。
现在，PXN 登场了，这是一款专为这座图书馆设计的终极翻译器和统一工具。
将 PXN 想象成一个通用适配器或主翻译器。PXN 并非仅仅试图强行让旧书看起来像新书，而是学习生物学背后的“故事”——即隐藏在技术噪声之下的真实信号。它采用概率机器学习框架（这不过是一种 fancy 的说法，意指利用智能数学来推测最可能的真实含义），创造一种单一的统一语言，使所有这些不同的数据集都能使用。
一旦 PXN 经过训练，它就能将来自旧微阵列研究的数据无缝“翻译”成现代 RNA-seq 研究的格式，反之亦然。这就像拥有一个设备，可以将同一场景的黑白照片和彩色照片融合成一张完美的高清图像，其中色彩完美匹配，同时场景的原始细节得以完整保留。它剥离了收集数据所用特定机器所带的“口音”或“方言”，只留下纯粹的生物学真相。
论文表明，PXN 在这项工作上优于任何先前的方法。它不仅仅是让数据看起来相似，而是实际上使科学结果更加准确和有力。最令人印象深刻的是，它能够弥合最广阔的鸿沟：将来自旧微阵列机器的遗留数据与全新的 RNA-seq 数据连接起来。
通过这样做，PXN 释放了这座公共图书馆的全部潜力。科学家们终于能够将海量的旧数据与新研究结合起来，赋予他们统计效力去发现以前无法看到的模式，而无需丢弃过去数十年的研究成果。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。