通过多模态生物学嵌入的对比对齐学习扰动效应

多模态单细胞扰动筛选为刻画遗传和化学干预对细胞状态的影响提供了一种可扩展的方法。然而，现有大多数表征学习方法都是针对单一扰动模态设计的，且未能显式整合外部语义知识，这限制了它们在不同数据集和扰动类型之间的泛化能力。 在此，我们提出 PertOmni，这是一种类 CLIP 的多模态表征学习框架，用于将转录组扰动特征与来自人工整理的基因和化合物描述的文本嵌入，以及来自细胞绘画的图像嵌入进行对齐。PertOmni 通过掩码对比学习目标联合训练一个共享的转录组编码器和数据集特异性的文本编码器，该目标强调细胞类型内部的区分能力，同时减轻由细胞类型异质性引起的混杂效应。 我们在双向检索、药物—基因相互作用推断以及跨小分子和 CRISPRi 扰动数据集的扰动预测任务上，对所产生的联合嵌入空间进行了评估，并证明其相较于强基线方法取得了稳定的性能提升。

多模态单细胞扰动筛选为刻画遗传和化学干预对细胞状态的影响提供了一种可扩展的方法。然而，现有的大多数表征学习方法都是针对单一扰动模态而设计的，且未能显式整合外部语义知识，这限制了它们在跨数据集和跨扰动类型场景中的泛化能力。

在此，我们提出了 PertOmni，这是一种 CLIP 风格的多模态表征学习框架，用于将转录组扰动特征与来源于人工整理的基因和化合物描述的文本嵌入，以及来源于细胞绘画的图像嵌入进行对齐。PertOmni 通过掩蔽对比目标对共享的转录组编码器和数据集特异性的文本编码器进行联合训练，该目标强调细胞类型内部的判别能力，同时减轻由细胞类型异质性带来的混杂效应。

我们在双向检索、药物—基因相互作用推断以及跨小分子和 CRISPRi 扰动数据集的扰动预测任务上评估了所得到的联合嵌入空间，并证明其相较于强基线方法取得了稳定的性能提升。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.23.734145v1?rss=1

🏷️ 多模态表征学习 单细胞扰动筛选 对比对齐学习 转录组嵌入 药物-基因相互作用 跨模态检索