单细胞扰动响应预测模型系统性比较

《SCIENCE ADVANCES》：A systematic comparison of single-cell perturbation response prediction models

　　

预测单细胞转录组对扰动的响应，是解析基因调控和加速治疗设计的核心问题，然而该领域缺乏针对模型行为的严格、跨任务评估。研究人员提出一个大规模基准，涵盖25个数据集、13个代表性方法与基线，数据集跨越多种扰动模态与物种，并包含两类原代免疫细胞药物响应资源。研究人员评估三类核心任务：对未见过单基因扰动的泛化、组合互作预测、跨细胞类型迁移，使用24个指标覆盖表达水平准确性、相对变化、差异表达(DE)恢复与分布相似性。结果显示，性能强烈依赖扰动效应量与评价视角：小效应扰动接近对照时表达水平一致性最高，而delta与DE类指标随效应增大而改善并提供更清晰信号。模型普遍存在保守偏差，微调基础模型压缩方差并低估组合协同效应。PerturbNet在任务1与任务2的DE特征恢复上更优；任务3中无方法能跨细胞类型稳定泛化，生物一致性主导结果。该基准确立了当前方法学界限，阐明不同指标探测不同生物信号而非同一预测问题的冗余摘要，并为更忠实捕捉异质扰动响应的虚拟细胞模型开发奠定基础。

《SCIENCE ADVANCES》发表的该项研究以单细胞扰动响应预测为对象。研究背景方面，单细胞RNA测序(scRNA-seq)可解析细胞异质性，Perturb-seq与CROP-seq等多重扰动技术能揭示细胞对刺激或干预的响应，服务于药物开发与疾病治疗。但实验系统多优化于细胞系，原代或体内系统适用有限；组合多重实验成本高、难规模化。早期模型只能预测训练外细胞型或已测扰动组合，无法泛化至未见过扰动；近期图模型与基础模型借助基因关系先验提升泛化。单细胞基础模型经微调可用于扰动后转录组预测，但领域缺乏系统评估框架。既有基准数据集多样性和任务覆盖有限，因此研究人员开展大范围基准研究。

为开展研究，关键技术方法包括：构建并整合23个公共数据集与2个本研究内部数据集，覆盖CRISPR-Cas9、CRISPRi、CRISPRa、ORF过表达、药物、IFN-β、Hpoly、LPS等扰动类型，以及癌症细胞系、多能干细胞、原代免疫群体和小鼠、大鼠非人免疫细胞；采用扫描电镜式数据预处理流程，以scanpy进行归一化与log转换，用TRADE计算转录组范围影响分数并筛选条件，保留高变基因与扰动基因；评测13个模型，分基础模型、基础模型(foundation models)如scGPT与scFoundation、基因调控网络(GRN)模型如GEARS与scELMo、变分自编码器(VAE)模型如PerturbNet、scGen、trVAE、scVIDR、scPRAM，及其他深度学习模型；建立上下文均值、扰动均值、线性回归、多层感知机(MLP)等基线；以24个指标从绝对表达、delta变化、DE恢复、分布相似性四方面评估；并进行方差分解与信号分解分析。

研究结果如下。Benchmarking models and experimental design：研究人员通过多数据集、多扰动模态与三任务设计，证明数据集异质性与扰动效应量差异可作为模型泛化判别基础，并给出任务框架与指标体系。Prediction of unseen single-gene perturbations：以同细胞型内未见过单基因扰动为对象，绝对表达相关多数数据集高于0.95；小效应扰动相关性高，大效应扰动delta方向准确率更高；基础模型微调后出现方差压缩，PerturbNet的DE重叠准确率最优，方差分解显示数据集与扰动身份影响绝对与delta指标，模型选择主导DE准确性。Perturbation interaction prediction：按seen0、seen1、seen2评估组合扰动，从seen0到seen2性能提升；加性均值与线性基线在seen1与seen2具竞争力；缓冲型组合绝对相关更高，协同型组合delta指标更好；PerturbNet在DE重叠准确率持续领先，模型选择是主要方差来源。Cell state transfer：评估已知扰动跨细胞型迁移，绝对表达多数模型相近；源与目标细胞型间E-distance较小通常迁移更好，但Hagai等大偏移仍因保守免疫激活特征而强迁移；delta层面trVAE方向准确率领先，Squidiff的delta Pearson更优；所有模型DE恢复均差，DE准确性由目标细胞身份主导。

讨论部分总结：研究人员指出绝对表达重建高分不等于恢复扰动效应、DE、分布相似性或跨背景迁移；扰动效应量决定指标差异，原始表达指标受基础细胞状态B_c主导，delta、DE与分布指标暴露扰动特异效应S_p、组合互作I_p1,p2、背景依赖调制C_c,p与噪声ε。组合预测应瞄准非加性残差，跨细胞迁移取决于扰动程序是否保守而非仅基础状态距离。研究局限包括技术平台与协议带来批次效应、破坏性测序无法获得同细胞前后配对、缺乏密集时间点。

研究结论部分翻译：该基准表明，当前扰动预测器常在基础状态重建上成功，但在任务中具有生物学决定性的组分上仍受限：扰动特异效应、非加性互作残差、校准的响应分布，以及背景依赖的响应保守性。通过将预测性能分解为这些组分，本研究为解释现有基准、设计未来模型、指标与实验提供了框架，用于单细胞扰动响应预测。

研究人员由此确立当前方法学边界：不同指标不是同一问题的冗余总结，而是探测不同生物信号；虚拟细胞模型不能仅靠更大基础模型，而需结合稳健细胞状态表示、因果扰动数据、分布响应建模与实验驱动评估。