可靠的单细胞扰动能够解释并提升模型性能

预测单细胞转录组对扰动的响应是构建虚拟细胞的核心，但最新基准研究表明，简单的基线方法往往优于复杂模型，而且模型比较结果依赖于评估指标。多数研究默认预处理后的 RNA 测序数据可作为训练和评估的可靠真实值。本文通过测量扰动的可靠性及其与共享扰动响应的一致性来检验这一假设，并将每个扰动分类为特异性、共享或不可靠。在来自 29 个数据集的 7,170 个扰动中，65% 为不可靠，11% 为共享，24% 为特异性。将这些质量标签应用于已发表的基准测试表明，模型比较结果取决于扰动质量。仅使用可靠扰动进行训练即可达到或优于使用全部数据的性能，同时仅使用了全部训练扰动的 55%。我们的框架还支持前瞻性实验设计：对于大多数扰动，一项包含 28 个细胞的试点实验即可准确预测完整筛选需要多少细胞才能获得可靠结果。

预测单细胞对扰动的转录响应是构建虚拟细胞的核心，但近期基准测试表明，简单的基线方法往往优于复杂模型，而且模型比较结果取决于评估指标。多数研究假设，经预处理的 RNA 测序数据在训练和评估中都可作为可靠的真实值。本文通过测量扰动的可靠性及其与共享扰动响应的一致性，检验这一假设，并将每个扰动分类为特异性、共享性或不可靠。对来自 29 个数据集的 7,170 个扰动进行分析后发现，65% 为不可靠，11% 为共享性，24% 为特异性。将这些质量标签应用于已发表的基准测试表明，模型比较结果取决于扰动质量。仅使用可靠扰动进行训练，在仅使用全部训练扰动中的 55% 时，仍可达到或超过使用全数据的性能。我们的框架还支持前瞻性实验设计：对于大多数扰动，28 个细胞的试点实验即可准确预测完整筛选需要多少细胞才能获得可靠结果。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.11.744177v1?rss=1

🏷️ 单细胞转录组 扰动响应 数据可靠性 基准评估 虚拟细胞