基因调控不再只看单个细胞:Multicellular Transformer 把整份组织样本当作输入,零样本预测受体-配体配对
核心概要
单细胞基础模型通常一次只输入一个细胞,学到的基因表示偏向细胞内部调控。Multicellular Transformer 改以同一组织样本中的一组细胞为输入,让每个基因的表示同时携带它在整份样本中的表达与细胞组成信息。在 CellChatDB 已知受体-配体对上,它的零样本 AUROC 为 0.71,高于第二名 scGPT 的 0.65,并在细胞接触、分泌信号和 ECM-受体等不同类型上保持这一优势。
深度剖析
基因表示的基本单位从单个细胞换成同一组织样本中的一组细胞,每个基因的向量因此同时反映它在该样本所有细胞上的表达和样本的细胞类型构成。 GeneFormer、scGPT、scPRINT 等模型以单个细胞为输入,强调细胞内部调控;SCENIC、CellOracle 同样侧重细胞内调控网络,DIALOGUE 一类跨细胞方法则依赖相关性模块。 在 CellChatDB 已知受体-配体对上做零样本评测,Multicellular Transformer 的 AUROC 为 0.71,第二名 scGPT 为 0.65,优势在细胞接触、分泌信号和 ECM-受体等不同互作类型上均成立。
模型把每个基因拆成两部分相加:一部分是随表达变化的表达隐向量,另一部分是与样本无关、从零学起的基因功能向量。 表达隐向量由一个共享的两层前馈网络算出,共享权重用于抑制过拟合;预训练时该网络的输入单元按细胞类型固定分配,例如第 1–20 号单元对应 CD8 T 细胞、第 21–32 号对应巨噬细胞。 预训练语料为超过 4200 份样本、逾 3500 名供体、超过 1400 万个细胞,覆盖 30 多种组织类型;模型为 12 层编码器、近 6 万个基因,训练时对每个样本迭代二次抽样细胞以缓解过拟合。
预训练得到的基因向量可直接用于多项下游任务,无需针对任务再训练。 传统细胞间通讯方法依赖预定义数据库,在细胞群体间给已知配体-受体对打分;这里只用预训练基因向量的余弦相似度,检验任意一对基因是否可能参与跨细胞过程。 在系统性红斑狼疮与 COVID-19 数据上,IFI44、OAS1 等干扰素刺激基因只在疾病样本中与干扰素通路基因聚在一起;在肺癌数据上做零样本基因敲除,预测的肿瘤效应与 DepMap 中 SW 1573 细胞系的观测效应相关系数为 0.33(p 值小于 1×10⁻¹⁰)。
启示与展望
已展示的范围是:在超过 4200 份样本、逾 3500 名供体、超过 1400 万个细胞上预训练,并在肺癌、胶质母细胞瘤、系统性红斑狼疮、COVID-19 和多组织免疫图谱等公开数据上做下游分析;空间共定位用未参与训练的 Xenium 与 Visium 数据验证。读者对象是希望从单细胞转录组推断跨细胞调控的研究者。
新发现的受体-配体互作仍需实验验证;模型目前只能判断基因是否可能互作,尚不能给出互作机制,具体在哪两类细胞之间发生互作依赖 Integrated Gradients 等事后解释手段;输入单元按预定义细胞类型固定分配,对全新未注释细胞类型的零样本泛化受限,并需通过抽样策略处理细胞类型比例变化;公开数据在覆盖、实验协议和注释上的偏差可能影响向代表性不足场景的泛化。
