在过去的几年中，如何最大化某种细胞表型以最大化某种细胞表型以最大化某种细胞表型的问题（例如，遗传编辑的CAR-T，CAR-NK和CAR-NKT细胞都进入了药物发育的中心阶段（例如癌症临床试验）。由于成本和实验限制，耗尽所有可能的遗传编辑（扰动）或其组合的搜索空间是不可行的。这项工作为迭代探索汇总批次扰动的空间提供了一个理论上合理的框架，以便在实验预算下最大化目标表型。受此应用程序域的启发，我们研究了批次查询匪徒优化的问题，并介绍了乐观的手臂消除（$ \ mathrm {oae} $）原则，旨在在查询（臂）和询问之间的不同功能关系下找到几乎最佳的手臂输出（奖励）。我们通过将其与算法函数类的eluder维度联系起来，并验证该$ \ mathrm {oae} $通过在模拟问题上找到最佳动作的其他策略来分析$ \ mathrm {oae} $的收敛属性。当回归模型是深层神经网络时，在强盗环境和遗传扰动数据集中进行了充分研究。 OAE在GenEdisco实验计划挑战中的4个数据集中的3个数据集中的3个数据集中还优于基准算法。
translated by 谷歌翻译