用于单细胞数据因果推断的多基因共享背景双重机器学习：分组偏差服从随机游走及准确性-计算权衡

在高通量单细胞转录组学（p{approx} 20,000 个基因）中，对 q{approx} 5,000 个目标基因执行双重机器学习（DML）因果推断，需要进行随目标数量线性增长的扰动函数拟合（K_{f} 交叉拟合折数，K_{f}=5 或 10），这远超可行的计算预算，尤其是在深度学习条件下。我们提出一种随机分区策略（Randomized Partition Strategy, RPS）：将目标基因随机划分为若干组，每组共享一次背景压缩，将深度学习模型训练次数降至 q/m 次（m = 组大小）——实现 m 倍的计算节省。分组的代价是精度损失——我们证明，估计量的累积偏差服从一维无漂移对称随机游走，其扩散方差随组大小线性增长，均方位移等于均方误差，因此精度损失是可预测的：m=1 始终最优，精度代价单调增加，而以较小的精度牺牲即可换取 m 倍的计算节省。在 GSE189050 SLE 单细胞数据（记忆 B 细胞，n=2120）上，PCA 和 DL 方法均收敛到相同结论，证实随机游走机制与方法无关；一个意外发现是，DL 的扩散增长仅为 16%，远慢于 PCA 的 7.4 倍。该工作为单细胞高维因果推断中的计算策略选择提供了可量化的理论基础。

在高通量单细胞转录组学（p{approx} 20,000 个基因）中，对 q{approx} 5,000 个目标基因进行双重机器学习（DML）因果推断，需要进行的扰动函数拟合次数会随目标数量线性增长（K_{f} 个交叉拟合折叠，K_{f}=5 或 10），这远远超过了可行的计算预算，尤其是在使用深度学习时。我们提出一种随机分区策略（RPS）：将目标基因随机划分为若干组，每组共享一次背景压缩，从而将深度学习模型训练次数减少为 q/m 次（m = 组大小）——实现 m 倍的计算节省。分组的代价是精度损失——我们证明，估计量的累计偏差遵循一维、无漂移的对称随机游走，其扩散方差随组大小线性增长，且均方位移等于均方误差，因此精度损失是可预测的：m=1 始终最优，精度代价单调增加，而较小的精度牺牲即可换来 m 倍的计算节省。在 GSE189050 SLE 单细胞数据（Memory B cells，n=2120）上，PCA 和 DL 方法均收敛于相同结论，证实了随机游走机制与方法无关；一个意外发现是，DL 的扩散增长仅为 16%，远慢于 PCA 的 7.4 倍。本研究为单细胞高维因果推断中的计算策略选择提供了可量化的理论基础。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.08.743701v1?rss=1

🏷️ 单细胞转录组 因果推断 双重机器学习 随机分区策略 计算效率 背景压缩