《Genes》：A Neural-Network-Free Calibration Matches or Beats Deep Single-Cell Perturbation Response Models Across Four Datasets
编辑推荐：
背景/目标：深度生成模型（如scGen）是预测未见细胞类型或物种在留一组法（LOCO）下如何响应扰动的标准。研究人员提出疑问：深度模型相对于单行线性基线的优势是否可以在没有任何神经网络的情况下学习。方法：研究人员将scGen的优势分解为两个无泄漏分析部分（每类
背景/目标：深度生成模型（如scGen）是预测未见细胞类型或物种在留一组法（LOCO）下如何响应扰动的标准。研究人员提出疑问：深度模型相对于单行线性基线的优势是否可以在没有任何神经网络的情况下学习。方法：研究人员将scGen的优势分解为两个无泄漏分析部分（每类响应幅度和每基因响应方向），并添加了一个每基因仿射矩匹配步骤。由此产生的校准方法AMM-SimWMag不使用神经网络，且仅需CPU运行。研究人员在跨越3种生物学和2个LOCO轴（细胞类型和物种）的4个数据集上，使用一个九指标面板进行评估，并采用数据集分层检验（即对每个数据集进行符号秩检验的Stouffer组合，并进行Holm校正）。结果：AMM-SimWMag在4个数据集的每个数据集上，9个指标中的8-9个指标上均达到竞争性或最优水平（在scGen的 范围内）。它在9个指标中有8个显著优于scGen，且在7个指标上在全部4个数据集中均被偏好；唯一的例外是每基因log倍变化相关性，该指标在所有数据集中均为平局或更好。在同一协议下，与三个现代基线（scPRAM、biolord和CPA）相比，它在9/9指标上击败了biolord和CPA，在7/9指标上击败了scPRAM（合并检验）。仿射矩匹配步骤改善了分布距离（MMD、能量距离、切片-Wasserstein距离），尽管C2ST在所有方法中均接近 。结论：AMM-SimWMag无需任何神经网络即可恢复深度模型相对于线性基线的优势。没有单一的深度模型能在所有四种生物学场景中表现稳健，而AMM-SimWMag在4个数据集上匹配或超越它们，且仅需CPU运行，结果可重复。
**论文解读：无神经网络校准在单细胞扰动响应预测中匹配或超越深度模型**
**研究背景与问题**
单细胞扰动响应预测是功能基因组学的核心目标，旨在预测细胞在扰动（如干扰素、病原体或药物）下的基因表达变化，为“虚拟细胞”计划奠定基础。深度生成模型如scGen通过变分自编码器（VAE）的潜在向量算术实现跨细胞类型或物种的扰动转移，是当前标准方法。然而，一个简单的“线性增量”基线（将其他组的平均响应直接加到目标组的对照均值上）在关键指标上已接近scGen，这引发了一个尖锐问题：深度模型的剩余优势是否可以在没有神经网络的情况下学习？如果该优势可分解为少量无泄漏、可解析计算的数量，则最优贡献不是更大的模型，而是更好的校准。本研究旨在回答这一问题，提出一种无神经网络的校准方法AMM-SimWMag，并系统验证其性能。
**研究方法概述**
研究人员使用四个公开的单细胞RNA测序（scRNA-seq）扰动数据集，涵盖三种生物学场景：Kang IFN-外周血单核细胞（PBMC）数据集（7种免疫细胞类型，对照 vs. IFN-刺激）、Haber小肠感染数据集（两个子集：对照 vs. 沙门氏菌和对照 vs. H. polygyrus，各8种上皮细胞类型）、以及Hagai跨物种数据集（骨髓来源吞噬细胞，未刺激 vs. LPS 6小时，4个物种：大鼠、兔、小鼠、猪）。所有实验采用留一组法（LOCO）协议：在训练时排除一个组（细胞类型或物种），利用其他组的对照和刺激细胞以及目标组的对照细胞预测目标组的刺激状态，然后与真实刺激细胞比较评分。主要关键方法包括：（1）将scGen的优势分解为两个无泄漏解析因子：每类响应幅度（per-type magnitude）和每基因响应方向（per-gene direction）；（2）提出AMM-SimWMag校准，包含相似性加权方向（SimWMag）和每基因仿射矩匹配（AMM）步骤，不使用任何神经网络，仅需CPU运行；（3）采用九指标评估面板，包括均值R2（R2-mean）、差异表达基因R2（R2-DEG）、方差R2（R2-var）、差异表达基因方差R2（R2-var-DEG）、每基因log倍变化相关性（deg_lfc_r）、最大均值差异（MMD）、能量距离（energy distance）、切片-Wasserstein距离（sliced-Wasserstein）以及分类器双样本检验AUC（C2ST）；（4）使用数据集分层检验（Stouffer组合法）评估统计显著性，并比较三个现代基线模型（scPRAM、biolord、CPA）。
**研究结果**
**6.1 单数据集面板（Kang IFN-，7种细胞类型 × 3个随机种子）**
在Kang数据集上，AMM-SimWMag在所有9个指标上均达到或超过scGen，无需神经网络：均值R2-DEG为0.940 vs. 0.923，deg_lfc_r为0.892 vs. 0.882，方差R2-var为0.812 vs. 0.645，MMD为0.014 vs. 0.024，能量距离为0.009 vs. 0.016，切片-Wasserstein距离为0.015 vs. 0.027。增益在强响应细胞类型（如单核细胞和树突状细胞）上最为显著。
**6.2 跨数据集泛化（四个数据集，两个LOCO轴）**
在Haber沙门氏菌、H. polygyrus和Hagai数据集上，AMM-SimWMag在每个数据集的9个指标中均达到8-9个指标优于或等于scGen。它赢得了所有四个数据集上的所有四个分布指标（MMD/能量距离改善3-5倍），并在所有四个数据集上优于scGen的均值指标（R2-DEG 0.940 vs. 0.923）。相比之下，结合AMM的scGen（AMM-scGen）表现不稳定，在Haber数据集上校准后的线性均值优于scGen编码器，在Hagai数据集上仅矩匹配即可获胜，表明稳健贡献来自校准而非网络。
**6.3 统计显著性**
使用数据集分层Stouffer组合检验（权重为√n），AMM-SimWMag在9个指标中有8个显著优于scGen（Holm校正后p<0.05），且在4/4数据集的7个指标中效应方向一致。唯一的例外是deg_lfc_r，为统计平局（非显著胜出）。三种稳健性检验（等权重Stouffer、数据集级符号检验、两级Bootstrap）均支持同一结论。
**6.4 稳健性分析**
等权重Stouffer组合得到相同结果（8/9显著）；数据集级符号检验在7个指标上为4/4一致方向；两级Bootstrap的95%置信区间在除deg_lfc_r和R2-mean外的所有指标上排除零。这些检验表明效应方向在四个基准中稳定。
**6.5 与现代基线模型的比较**
在同一协议下，AMM-SimWMag与三个现代深度模型（scPRAM、biolord、CPA）比较。scPRAM在Kang和Hagai上表现优异（9/9 vs. scGen），但在两个肠道数据集上崩溃（3/9和0/9）；biolord和CPA整体较弱。合并检验显示，AMM-SimWMag在9/9指标上优于biolord和CPA，在7/9指标上优于scPRAM（其余两个指标为平局）。无单一深度模型在所有四种生物学中稳健，而校准方法在所有数据集上均一致地达到8-9/9。
**6.6 生物学验证：典型干扰素刺激基因的恢复**
通过对Kang数据集中每个保留的细胞类型，比较预测与真实的每基因响应增量（Δ），发现典型干扰素刺激基因（ISG15、ISG20、IFI6等）的预测上调与测量值基因对基因匹配（Pearson r=0.892）。离线GSEA分析显示，预测上调基因富集于干扰素γ响应、干扰素α响应、炎症反应和TNF-α信号通路（FDR<0.05），证实了生物学相关性。
**讨论与结论**
**讨论**：本研究的核心发现是scGen在LOCO扰动转移上的优势可分解为两个无泄漏解析因子，并在无神经网络的情况下恢复。这并非否定深度模型的价值，而是表明在此任务上其有用信号是低维的，可被显式、可检查的校准捕获。AMM-SimWMag应作为强基线：新模型应需超越它。评估建议使用多种互补分布度量，并采用数据集分层检验。两个因子的生物学解释：每基因方向反映保守的调控程序（如ISG程序），每类幅度反映细胞类型或物种执行该程序的强度，与强响应细胞类型上分布增益最大一致。局限性包括：C2ST在所有方法中饱和（≈0.99），源于数据稀疏非高斯结构；deg_lfc_r为统计平局；校准为传输而非采样，限制样本多样性；评估限于单扰动LOCO转移，不适用于组合/剂量扰动或非线性细胞命运变化；所有数据集为研究基准，非临床数据。
**研究结论**（翻译自Section 8）：在留一组法扰动转移任务中，标准深度基线scGen相对于单行线性移位的优势很小、低维，且关键在于无需神经网络即可学习。通过将该优势分解为无泄漏的每类幅度和每基因方向，并添加每基因仿射矩匹配步骤，研究人员提出的校准方法AMM-SimWMag在跨越3种生物学和2个LOCO轴的4个数据集上，在9个指标中的8-9个上达到竞争性或优于scGen，在数据集分层检验中8个指标显著，并在合并检验中击败现代基线scPRAM、biolord和CPA，同时保持仅CPU运行和完全可重复。研究人员特意报告了其未胜出的两个地方（C2ST，在所有评估方法及oracle近似下均饱和；每基因log倍变化相关性，为统计平局）。因此，研究人员推荐AMM-SimWMag作为廉价、透明的基线，新的深度和基础模型应需超越它，并鼓励采用多指标、数据集分层的评估及效应量报告作为该基准的默认做法。
