PerturBench：细胞扰动分析的机器学习模型基准测试
内容提要
本文探讨了利用数据驱动的动态模型和机器学习技术预测细胞对扰动的响应。研究提出了SystemMatch方法，评估小鼠模型和人类肿瘤的适应性，并介绍了优先臂淘汰算法在基因扰动中的优势。通过分析单细胞组学数据，提出了sc-OTGM模型，实现细胞状态分类和基因干扰预测，表现出良好效果。此外，GenBench为基因组模型评估提供了基准测试，揭示了注意力模型与卷积模型在任务偏好的差异。
延伸解读
从预测到干预：细胞扰动建模的演进
文章梳理了2021至2024年间细胞扰动分析模型的进展，从早期数据驱动动态模型预测不可见扰动响应，到SystemMatch评估模型系统适应性，再到优先臂淘汰算法优化批量扰动实验。这些工作共同指向一个趋势：计算模型正从被动预测转向主动设计干预，以最大化目标基因表型。读者可关注这一领域如何逐步整合机器学习与实验验证。
单细胞因果推断的挑战与工具
单细胞组学的高维数据与生物系统复杂性给因果推断带来挑战。文章提到sc-OTGM模型通过无监督学习实现细胞状态分类和基因干扰预测，并在差异表达分析等任务中表现良好。同时，CausalRegNet能生成准确分布并评估因果结构学习方法。这些工具表明，因果模型有望成为未来实验设计的重要辅助，但需注意其假设与适用边界。
基准测试揭示模型偏好差异
GenBench为基因组基础模型提供了涵盖编码区、非编码区和基因组结构三大任务的评估套件。一个关键发现是：注意力模型与卷积模型在短程和长程任务上偏好显著不同，且与参数数量无关。这提示研究者在设计或选择模型时，需根据具体任务类型权衡架构，而非盲目追求参数规模。
Q&A
SystemMatch方法的主要应用是什么？
SystemMatch方法用于评估小鼠模型和人类肿瘤的适应性，基于单细胞基因组数据进行分析。
优先臂淘汰算法在基因扰动实验中的表现如何？
优先臂淘汰算法在模拟和真实基因扰动数据的实验中表现优于其他算法。
sc-OTGM模型的主要功能是什么？
sc-OTGM模型通过无监督学习实现细胞状态分类和基因干扰响应预测，表现良好。
GenBench提供了什么样的基准测试？
GenBench为基因组模型评估提供了一个全面的基准测试套件，涵盖编码区域、非编码区域和基因组结构等任务。
文章中提到的机器学习技术如何应用于细胞扰动分析？
文章探讨了使用数据驱动的动态模型和机器学习技术来预测细胞对扰动的响应。
注意力模型与卷积模型在任务偏好上有什么差异？
研究揭示注意力模型与卷积模型在短程和长程任务上的偏好存在显著差异。
