Conditional Monge Gap enables generalizable single-cell perturbation modelling¶

作者: Alice Driessen, Dhruva Abhijit Rajwade, Benedek Harsanyi, Marianna Rapsomaniki, Jannis Born
来源: Nature Machine Intelligence
主题: 其他
相关性: 0/10
机构绿灯: ETH Zurich（US News 前 50，免分进入精读）
链接: https://doi.org/10.1038/s42256-026-01242-8

一、这篇论文属于什么学科、要解决什么¶

学科定位：本文属于计算生物学中的单细胞基因组学分支，具体是单细胞扰动响应建模。核心科学问题是：给定一个未受处理的细胞群体（对照组），如何预测该群体在施加某种药物/基因扰动后，每个细胞的基因表达状态会如何变化？这个领域目前处于快速发展但方法不成熟的阶段：实验技术（单细胞RNA测序，scRNA-seq）已经能大规模测量单个细胞的转录组，但细胞在测量过程中被破坏，导致无法对同一个细胞进行“处理前”和“处理后”的配对观测——这是该领域最根本的数据挑战。
本文的位置：它针对的是条件性扰动响应预测问题。现有最优传输（OT）方法大多只能学习一个“未扰动→扰动”的全局映射，无法区分不同药物、剂量、时间点或细胞类型下的不同响应模式。本文提出条件Monge Gap（CMonge），让OT映射能够以任意协变量（药物结构、剂量、时间、细胞类型）为条件，从而支持跨条件学习和泛化到未见过的药物。为什么现在做？因为近年来大规模药物筛选数据和化合物结构数据（如SMILES字符串）变得可用，使得跨任务学习成为可能。

二、关键术语扫盲¶

单细胞RNA测序（scRNA-seq）：测量单个细胞内所有基因的表达水平（即有多少mRNA分子）。结果是每个细胞一个高维向量（~20,000个基因），但测量是破坏性的。
扰动响应（Perturbation Response）：施加某种干预（药物、基因敲除等）后，细胞转录组状态的变化。理想情况是知道每个细胞“处理前→处理后”的配对变化，但实际做不到。
最优传输（Optimal Transport, OT）：一种数学框架，用于找到将一个概率分布“搬运”到另一个概率分布的最小成本方式。在这里，它被用来学习“未扰动细胞分布”到“扰动细胞分布”的映射。
Monge Gap：本文的核心正则化项。它衡量一个映射函数在多大程度上偏离了“最优传输映射”的条件。通过最小化这个gap，模型学习到的映射既满足分布匹配，又具有最优传输的性质。
条件最优传输（Conditional OT）：让OT映射不仅依赖于输入数据（细胞状态），还依赖于额外的协变量（如药物结构、剂量）。这使得同一个模型可以处理多种不同的扰动条件。
转录组（Transcriptome）：一个细胞中所有基因表达产物的总和。它是细胞状态的“快照”，反映了细胞当前正在执行哪些功能。
药物结构表示（如SMILES）：一种用字符串表示化合物化学结构的方法。本文用它作为条件输入，使模型能泛化到结构相似但未见过的药物。
细胞异质性（Cellular Heterogeneity）：即使在同一条件下，不同细胞的状态也各不相同（例如，有些处于细胞周期不同阶段）。好的扰动模型必须能捕捉这种分布式的响应，而不是只预测平均效应。
分布偏移（Distribution Shift）：扰动前后，细胞群体的整体基因表达分布发生了变化。OT天然适合建模这种分布级别的变化。
跨任务学习（Cross-task Learning）：用一个模型同时学习多种不同扰动（不同药物、剂量）的响应模式，利用任务间的共享信息提升泛化能力。
多重蛋白成像（Multiplexed Protein Imaging）：一种空间生物学技术，可以同时测量组织切片中多种蛋白质的表达和空间位置。本文用它作为第二个验证数据集。

三、这个领域的人在关心什么¶

单细胞基因组学的研究者正在追问一个根本问题：如何从静态的“快照”数据中推断动态的生物学过程？ 具体到扰动响应，他们想知道：给定一个药物，它会影响哪些基因？影响程度如何？哪些细胞类型更敏感？这种影响随时间如何演变？这些问题的答案直接关系到药物发现、靶点识别和个性化医疗。

当前的主流方法可以分为几类： - 基于VAE的方法（如scGen, Lotari, CPA）：使用变分自编码器学习一个潜在空间，在其中对扰动效应进行向量运算（如“加一个扰动向量”）。局限：通常假设扰动效应是加性的、线性的，难以捕捉复杂的非线性响应和细胞异质性。 - 基于最优传输的方法（如CellOT, MIOFlow）：直接学习未扰动到扰动分布的OT映射。优势：不需要配对数据，理论上能捕捉任意复杂的分布变化。局限：大多数是条件无关的——每个扰动条件需要单独训练一个模型，无法利用跨条件信息，也无法泛化到新条件。 - 单细胞基础模型（如scFoundation, Geneformer）：在大规模无标签数据上预训练，再微调用于扰动预测。局限：参数规模巨大（数亿），计算成本高，且对未见药物的泛化能力未经充分验证。

本文的CMonge填补了关键空白：它将OT映射参数化为一个以协变量为条件的神经网络，使得一个模型可以同时学习数百种扰动条件。相比CellOT（每个条件单独训练），CMonge的参数效率极高；相比CPA（VAE-based），它更忠实地保留了分布结构。在预测未见药物时，CMonge利用药物结构信息（SMILES）实现了跨任务泛化，这是此前方法不具备的能力。

四、数据问题¶

数据来源：两个主要来源：(1) 单细胞RNA测序（scRNA-seq） 实验——将细胞群体分为对照组和多个处理组，分别测量转录组；(2) 多重蛋白成像——对组织切片进行空间蛋白表达测量。数据来自公开数据库（如Perturb-seq, DrugCell等）。
数据形态：每个细胞是一个高维稀疏向量（~20,000个基因，但大多数基因表达量为0或接近0）。多个细胞构成一个点云（无空间/时间顺序）。扰动条件（药物、剂量、时间）是分类/连续协变量。
维度与量级：基因维度~20,000；细胞数量从数千到数百万；扰动条件数从几十到数百。
结构特征：数据具有层次结构（细胞→细胞类型→组织），但本文主要关注细胞级别的分布。基因表达数据具有函数型结构（基因调控网络），但本文未显式建模。
噪声与测量误差：scRNA-seq的噪声模型复杂——主要是dropout事件（基因实际有表达但未被检测到）和技术变异（不同批次、不同测序深度）。噪声通常用负二项分布或零膨胀负二项分布建模。本文使用预处理后的对数归一化数据，将噪声近似为高斯。
选择/偏差/缺失：关键偏差是实验设计中的批次效应（不同实验批次间的系统性差异）。缺失不是传统意义上的缺失数据，而是未配对——每个细胞只被测量一次，无法观测到同一个细胞处理前后的配对变化。这是该领域最根本的数据挑战，也是OT方法被引入的原因。
哪些是“漂亮的统计学问题”：未配对数据的分布匹配（即两个独立样本的分布对齐）是一个经典的统计问题，OT提供了优雅的框架。条件分布匹配（给定协变量，对齐条件分布）则更复杂，本文的方法提供了一个可扩展的解决方案。跨任务泛化（从已知药物泛化到未知药物）涉及迁移学习和外推，统计学家会关心其识别性和泛化误差界。
哪些是“纯工程/领域难题”：scRNA-seq的dropout噪声建模、批次效应校正、基因选择等，更多是领域特定的预处理问题。药物结构表示（SMILES）的编码也是一个工程问题，而非统计核心。

五、方法与模型问题¶

方法重述：CMonge的核心思想是学习一个以协变量为条件的确定性映射 \( T(x, c) \)，它将未扰动细胞状态 \( x \) 映射到扰动后的状态，使得映射后的分布 \( T(\cdot, c)_\# P_{\text{ctrl}} \) 尽可能接近真实的扰动分布 \( P_{\text{pert}, c} \)。这里的 \( c \) 是协变量（药物结构、剂量等）。模型通过最小化一个损失函数来训练，该损失函数包含两项：
1. 分布匹配项：使用最大平均差异（MMD） 或对抗性判别器来衡量映射后分布与真实扰动分布的差异。
2. Monge Gap正则化项：鼓励映射 \( T(\cdot, c) \) 是某个条件最优传输映射的近似。具体来说，它要求 \( T(x, c) \) 是某个凸函数的梯度（关于 \( x \)），这是OT理论中保证映射最优性的条件。
关键假设：
- 未扰动和扰动分布之间存在一个确定性映射（即每个未扰动细胞有一个唯一的扰动后状态）。这在生物学上是一个近似——实际响应是随机的。
- 映射 \( T(\cdot, c) \) 是某个凸函数的梯度（Monge Gap正则化强制这一点）。这保证了映射的某些理论性质（如可逆性、最小成本），但可能过于严格。
- 协变量 \( c \) 包含了所有影响扰动响应的信息。如果存在未观测的混杂因素（如细胞周期状态），模型可能产生偏差。
推断/计算手段：神经网络（参数化映射 \( T \) 和判别器）+ 随机梯度下降（SGD）训练。Monge Gap通过一个梯度惩罚项实现（类似于WGAN-GP）。模型是非贝叶斯的，不确定性主要通过集成方法（训练多个模型）或预测分布的方差来量化，但本文未深入讨论UQ。
核心结论与不确定性量化：CMonge在多个数据集上优于现有条件模型（CPA, CellOT等），尤其在预测未见药物时。不确定性量化方面，本文主要依赖预测分布的方差（通过多次采样或集成）来反映模型对异质性细胞群体的捕捉能力，但没有严格的置信区间或统计检验。结论的可靠性主要基于交叉验证和独立测试集上的性能指标（如Wasserstein距离、相关性）。

六、对统计学家的判断¶

这篇文章作为科普读物质量如何？
评分：4/5星
理由：作为Nature Machine Intelligence上的应用方法论文，它写得相当清晰，术语解释充分（尤其是对OT和单细胞背景的介绍），大问题（未配对数据、条件泛化）讲得很明白。统计学家读完能理解这个领域在做什么、为什么OT是自然选择、以及条件建模的挑战。扣一星是因为方法细节（Monge Gap的具体实现、损失函数形式）对非机器学习读者来说略显晦涩，且对UQ的讨论过于简略。
这里面有没有统计学家会觉得有意思的东西？
科学趣味性：高。这个问题本身非常吸引人：如何从破坏性测量的数据中推断因果效应？ 这本质上是因果推断中的反事实预测问题，但数据形态（高维、分布级、未配对）带来了独特的挑战。统计学家会欣赏OT提供的优雅框架，以及条件OT如何将“一个分布到另一个分布”的映射泛化到多个条件。
方法学空间：中等偏高。本文的方法学贡献是应用导向的，而非理论创新。但其中蕴含的统计问题值得深挖： - 识别性：条件OT映射 \( T(x, c) \) 是否唯一可识别？在什么条件下？本文假设 \( T \) 是凸函数的梯度，这提供了识别性，但这是否必要？ - 泛化误差：当泛化到未见药物时，泛化误差如何依赖于药物结构表示的相似性？是否存在一个“药物空间”上的Lipschitz条件？ - 不确定性量化：如何为单个细胞的预测提供置信区间？这需要将OT映射的估计不确定性传播到预测中。 - 因果解释：OT映射是否对应于一个因果效应？在什么假设下（如无未观测混杂）？这可以连接到因果最优传输的文献。
现实相关性：高。未配对数据的分布匹配问题在许多领域都会出现：医学影像（同一患者治疗前后的CT扫描无法完美配准）、经济学（处理组和对照组的个体无法配对）、生态学（同一地点不同时间点的物种分布）。本文的条件OT框架提供了一个通用的建模思路。
明确结论：很有意思值得留意。这不是一篇统计理论论文，但它提出了一个统计学家可以贡献的、有实际意义的问题。如果你对OT、因果推断或高维分布匹配感兴趣，这篇论文是一个很好的起点。
武器库匹配度（轻量，点到即可）
无明显接口。你的核心武器（非参数统计、minimax界、高阶U统计量、因果推断中的估计理论）与本文的神经网络+OT框架没有直接的技术重叠。本文的方法论核心是神经最优传输，其理论分析（收敛速度、泛化界）属于深度学习的统计理论范畴，而非你熟悉的minimax框架。中期可做：若想进入该方向，需先在M-estimation理论和生成模型的理论上长肌肉。纯科普阅读。
如果想进一步了解这个话题，下一步读什么？
入门综述/科普： - 《Optimal Transport for Single-Cell Biology》（Schiebinger et al., 2019, Nature Reviews Molecular Cell Biology）—— 一篇很好的领域综述，解释了OT在单细胞生物学中的各种应用。 - 《Computational Optimal Transport》（Peyré & Cuturi, 2019, Foundations and Trends in Machine Learning）—— OT的权威教材，统计学家友好，有大量算法和理论。
关键奠基/代表论文（从被引文献中选取）： - 《CellOT: Optimal Transport for Single-Cell Perturbation Modeling》（Bunne et al., 2023, Nature Methods）—— 本文的直接前身，提出了非条件OT用于单细胞扰动建模。阅读本文可以理解CMonge的改进基础。 - 《Learning Cell-Specific Perturbation Responses via Conditional Optimal Transport》（Driessen et al., 2023, ICML Workshop on Computational Biology）—— 本文的早期版本，可能包含更详细的算法和实验细节。
可动手玩的数据集： - Perturb-seq数据集（Dixit et al., 2016, Cell）—— 大规模CRISPR扰动筛选数据，包含数千个基因敲除的scRNA-seq数据。可从Single Cell Portal（broadinstitute.org）获取。 - DrugCell数据集（Kang et al., 2023, Nature Biotechnology）—— 药物扰动数据，包含数百种药物的scRNA-seq响应。可从GEO（GSEXXXXX）获取。

七、术语小抄¶

英文术语	中文	一句话解释
scRNA-seq	单细胞RNA测序	测量单个细胞内所有基因表达水平的技术，但测量过程会破坏细胞。
Perturbation Response	扰动响应	施加药物/基因干预后，细胞转录组状态的变化。
Optimal Transport (OT)	最优传输	找到将一个概率分布“搬运”到另一个的最小成本方式。
Monge Gap	Monge间隙	衡量一个映射偏离最优传输映射程度的正则化项。
Conditional OT	条件最优传输	让OT映射依赖于额外协变量（如药物种类、剂量）的扩展。
Transcriptome	转录组	一个细胞中所有基因表达产物的总和，反映细胞当前状态。
SMILES	简化分子线性输入规范	用字符串表示化合物化学结构的方法。
Cellular Heterogeneity	细胞异质性	即使在同一条件下，不同细胞的状态也各不相同。
Distribution Shift	分布偏移	扰动前后，细胞群体整体基因表达分布的变化。
Cross-task Learning	跨任务学习	用一个模型同时学习多种不同扰动模式，利用共享信息。
Dropout (in scRNA-seq)	丢失事件	基因实际有表达但未被测序检测到的现象。
Maximum Mean Discrepancy (MMD)	最大平均差异	一种衡量两个分布差异的核方法，常用于生成模型训练。

Maintained by 陈星宇 · Homepage · Source on GitHub