TALK
언어 모델에게 실제 세포를 RNA 토큰으로 건네고 무슨 세포인지 묻습니다. 여기 나오는 답은 모두 우리가 학습한 모델의 실제 실행 기록이며, 페이지에서 모델을 새로 돌리지는 않습니다.
Architecture · Figure 1
RNA에서 언어로
RNA → encoder → Q-Former → RNA prefix + question → Qwen3 → answer
구조도를 불러오는 중…
기록된 답변을 불러오는 중…
지도학습 = 정답 문장으로 학습한 모델. GRPO와 DAPO는 여기에 강화학습 500단계를 더한 모델입니다.
질문과 답
Gene을 누르면 문맥과 측정값을 볼 수 있습니다. 색은 발현 유무가 아닌 각 언급의 정확도입니다.
모델의 추론과 답은 영어 원문 그대로입니다.
TALK가 받는 것
이 세포들에서 측정된 값
마커 유전자의 평균 log1p(CP10k). TALK는 이 숫자를 글로 받지 않습니다.
답변 평가
그룹당 세포 8개 · 모델 3종 · 8개 그룹
Cell type
8/8세 모델 모두 8개 그룹의 cell type을 맞혔습니다.
IFN-β 자극 여부
4/8모두 Control로 답해, IFN-β 자극 그룹은 맞히지 못했습니다.
유전자 설명
57.7%채점한 유전자 언급 1,946건 중 1,122건이 측정값과 맞았습니다.
미채점 157건 제외모델별 결과와 채점 기준
| 모델 | 세포 1개 | 세포 8개 | 세포 16개 | 세포 32개 |
|---|---|---|---|---|
| 지도학습 | 4/8 · 5/8 | 8/8 · 4/8 | 8/8 · 4/8 | 6/8 · 5/8 |
| GRPO | 4/8 · 5/8 | 8/8 · 4/8 | 8/8 · 4/8 | 7/8 · 5/8 |
| DAPO | 5/8 · 5/8 | 8/8 · 4/8 | 7/8 · 4/8 | 8/8 · 4/8 |
| 모델 | 맞음 / 채점 수 | 비율 | 미채점 |
|---|---|---|---|
| 지도학습 | 378 / 673 | 56.2% | 35 |
| GRPO | 384 / 640 | 60.0% | 35 |
| DAPO | 360 / 633 | 56.9% | 87 |
| 합계 | 1,122 / 1,946 | 57.7% | 157 |
발현 여부와 순위는 측정값으로 확인했습니다. Corpus 비교에는 학습 데이터의 기준값을 썼습니다. “더 높다”는 Corpus보다 높은지, “둘 다 높다”는 Input 상위 3% 또는 20위 이내이면서 Corpus 상위 1%인지 확인했습니다. 동점 범위가 겹치면 맞음으로 처리했습니다.
비율은 초록 표시 수를 전체 채점 수(초록·빨강·노랑)로 나눈 값입니다. 같은 유전자도 나올 때마다 따로 셉니다. 회색 157건은 비율에서 뺐습니다.
Cell type 4종에 Control과 IFN-β 조건을 조합한 8개 그룹입니다. 세포 수를 1·8·16·32개로 바꿔가며, 각 모델에 그룹별로 한 번씩 물었습니다(Reasoning 사용, temperature 0.6). 끝나지 않은 답변은 오답으로 셌습니다.
Kang et al.(2018)의 공개 데이터를 사용했습니다. 연구 메타데이터에는 학습에 쓰지 않은 연구로 기록돼 있습니다.