Occam用简单MLP做单细胞扰动预测:跨细胞系与双基因组合上超过重训的复杂模型
核心概要
Occam把单细胞表征学习与扰动效应预测都交给多层感知机:先用换入式去噪重建被替换基因的表达,再冻结编码器、用基因网络、文本与蛋白序列特征调制细胞状态。在HepG2上,扰动与细胞系各自在训练中出现但从未同时出现,Occam与参考变化谱的平均一致性高于实验可重复性;对111个留出双基因扰动,它比直接相加两个单基因实测效应更接近实测响应。
深度剖析
单细胞扰动效应预测现在可以用一个多层感知机完成,而不必依赖预训练Transformer嵌入或复杂生成式预测器。 此前的可复用细胞表征多来自Transformer模型,但预训练嵌入与复杂预测器在扰动效应预测上并不稳定优于简单替代方案。 在DiverseRNA约140万条表达谱上预训练的Occam-90M,扰动信息聚合表征得分39.31、scIB细胞整合得分53.72,均为受评模型与基线中最高;在RPE1、HepG2与Pancreas三个数据集上领先,Jurkat上由TxFM-B领先。
在扰动与细胞系分别见过、但组合未见的条件下,Occam对扰动特异性响应模式的还原优于四个重训的对比模型和迁移基线。 迁移基线把同一扰动在其他训练细胞系中测得的效应直接搬到目标细胞系,不学习效应如何随细胞系改变。 RHJ/HepG2的611个测试扰动上,Occam的平均Pearson高于实验可重复性(0.3999对0.3722),L1判别为0.761,高于次优STATE的0.668;平均绝对误差为0.0269,不及TxPert的0.0228。
双基因扰动不再只能靠把两个单基因实测效应相加来近似,Occam按两种顺序依次施加单基因预测器并平均结果。 加性基线把两个单基因的实测效应直接相加,作为双基因响应的参照。 Norman数据集的111个留出双基因扰动上,Occam的Pearson为0.8526、平均绝对误差0.01225,分别优于加性基线的0.8333与0.01465;在弱加性亚组上Pearson优势为0.0264,大于强加性亚组的0.0133。
启示与展望
已展示的范围是:编码器在DiverseRNA上预训练并在三个未出现在该语料中的细胞系上冻结评估;扰动预测在RHJ的HepG2、K562、H1以及Norman的K562双基因扰动上评测,其中K562与H1均未参与预测器训练。读者对象是从事单细胞扰动建模与基准评测的研究人员。
报告的结果主要评估群体水平效应,并未确立对单个细胞响应及其细胞间变异的准确预测;Norman只覆盖两个组成单基因响应均在训练中出现过的双基因扰动,未评估未见靶基因、三基因以上扰动或化学扰动。K562与H1在细胞系和测量条件上同时不同,无法分离各自影响;在留出细胞系上,迁移基线的Pearson高于Occam,且没有模型在全部指标上领先。
