（来源：DrugOne DrugAI）
DRUGONE
构建人工智能虚拟细胞的重要目标之一，是在没有进行真实实验的情况下预测细胞对药物、遗传扰动和其他干预的响应。单细胞扰动组学能够在细胞尺度测量药物引起的转录变化，为建立这种预测模型提供数据基础。然而，现实中的化学空间远大于实验能够覆盖的范围，绝大多数小分子从未在单细胞水平进行系统表征。现有方法通常将药物视为独立的类别标签，或者仅依赖其分子结构，因此面对完全没有转录扰动数据的新药时，泛化能力明显下降。
研究人员提出机制感知的扰动响应预测框架 MAP，通过引入结构化生物医学知识提高未表征药物的零样本预测能力。其核心是构建面向细胞扰动预测的知识图谱 MAP-KG，整合14个公开资源，包含187,089种药物、22,924个基因以及694,246条机制相关关系。MAP进一步利用分子结构、蛋白质序列和自然语言形式的作用机制及功能描述进行知识驱动预训练，将药物和基因映射到统一的机制感知表示空间，再与预训练单细胞基础模型结合，根据未扰动细胞状态和药物信息预测扰动后的转录组。
研究人员设置两种逐渐严格的零样本测试：一是预测训练中未出现过的“细胞类型—药物”组合；二是预测在任何细胞类型中都没有转录扰动数据的未表征药物。在Tahoe-100M、SciPlex3和OP3等数据集上，MAP均优于现有方法。在未见细胞—药物组合中，top-50差异表达基因的Pearson变化相关性最高提高12.3%；在完全未表征药物中，Tahoe-100M上提高11.8%，并在OP3和SciPlex3中分别提高19.8%和10.4%。进一步的通路层面分析显示，MAP能够恢复符合药物作用机制的功能程序，并在A-549肺癌虚拟筛选中将5种已获批抗癌药物中的4种排入58个未表征候选的前列。研究表明，除了扩大单细胞数据规模和模型参数规模之外，扩大和整合生物医学知识本身可以成为提升虚拟细胞泛化能力的第三条路径。
单细胞扰动测序正在改变药物作用机制研究方式。传统药物筛选往往依赖细胞存活、蛋白标志物或总体表达变化，而单细胞转录组能够在异质细胞群体中测量药物引起的全局基因表达变化，从而连接化学干预与下游生物学程序。如果能够训练模型从未经实验验证的药物和细胞状态直接预测这些变化，就可以在真实实验之前对大量候选化合物开展虚拟筛选、药物重定位和机制分析。
然而，这里存在一个根本的不对称：可合成和可测试的化学空间极其庞大，而高质量单细胞扰动实验成本高、通量有限，因此任何现有扰动图谱实际上都只能覆盖极小的一部分化合物。许多现有模型的性能高度依赖药物是否曾在训练数据中出现。如果一个药物已经在另一种细胞中测过，模型可以利用其已有表达响应迁移到新的细胞环境；但面对一个完全没有转录扰动数据的新药，问题就变得困难得多。
一个重要原因是，很多模型将药物编码为独立的类别标签。这样学习到的药物间距离主要来自训练数据中的共现和表达模式，而不是来自真实的药理机制。两个作用于同一靶点或调控同一通路的药物，如果没有共享训练样本，在模型中可能仍然是彼此无关的表示。
使用分子结构、药物靶点等描述符能够改善这一问题，但单一模态仍然难以覆盖完整机制信息。例如，分子结构反映化学性质，蛋白质序列描述靶点组成，知识图谱记录药物—靶点和基因—基因关系，自然语言则包含作用机制、通路功能和治疗用途。研究人员认为，真正适合未表征药物预测的模型需要将这些异质信息转换成统一的、可迁移的机制表示。
基于这一思路，他们提出MAP：不是单纯扩大扰动训练数据，而是让模型在预测细胞响应之前先学习“药物是什么、作用于谁、相关基因如何连接以及这些关系意味着什么”。
方法
研究人员首先构建MAP-KG，将13个专业数据库与已有综合知识图谱PrimeKG整合，统一药物、基因及其机制关系。药物节点以PubChem标识符统一，包括SMILES分子结构以及名称、作用机制和治疗功能等文本属性；基因节点以Ensembl标识符统一，包括蛋白质氨基酸序列和功能、通路等文本描述。图中的药物—基因边描述结合、抑制、激活和转录调控等机制，基因—基因边则描述调控关系和蛋白质相互作用。经过标准化和去重后，MAP-KG包含187,089个药物节点、22,924个基因节点、428,192条药物—基因关系和266,054条基因—基因关系。随后分别使用分子编码器、蛋白序列编码器和文本编码器处理不同模态，通过对比学习和关系一致性学习将它们映射至统一嵌入空间，使具有相近机制的药物和基因获得相近表示。细胞状态由预训练单细胞基础模型编码，药物和基因的知识表示与未扰动细胞表示共同输入Transformer预测器，并通过表达重建和表示学习联合优化，最终预测药物处理后的基因表达状态。评估时使用Tahoe-100M、SciPlex3、OP3和ComboSciPlex，并严格设置未见细胞—药物组合以及完全未表征药物两种零样本条件；后者还会从知识预训练中移除测试药物及相关关系，以避免利用其已知扰动信息产生泄漏。
结果
MAP-KG将异质生物医学知识转化为机制感知表示
MAP首先试图解决药物和基因表示本身的问题。MAP-KG并非简单将多个数据库拼接，而是围绕“药物扰动如何通过靶点和基因网络影响细胞”这一问题组织知识。药物节点连接化学结构、作用机制和靶点，基因节点连接蛋白序列、功能和通路信息，而自然语言文本则作为不同模态之间的语义桥梁。
在知识预训练过程中，分子结构、蛋白质序列和文本描述分别经过对应编码器，再通过跨模态对齐被投射到共同嵌入空间。模型还利用药物—基因以及基因—基因关系约束表示，使存在已知机制关联的实体在表示几何中保持一致。
这种方法与把药物简单编码成SMILES向量不同。MAP学习的目标不是只有“两个分子结构是否相似”，而是同时考虑“它们是否作用于相似蛋白”“是否具有相似作用机制”“是否影响相关通路”。因此，一个没有单细胞扰动数据的新药仍可以通过自身结构及已有药理知识，被定位到与其他机制相关药物相近的位置。
随后，MAP将这种药物和基因的机制表示与单细胞基础模型产生的细胞状态表示结合。由此，预测过程从传统的“细胞状态+药物编号→表达变化”，转变为“细胞状态+药物机制+基因功能关系→表达变化”。
图1｜MAP-KG与MAP整体框架。整合多源药物—基因知识，通过分子、蛋白质和文本编码器进行知识驱动预训练，再与单细胞基础模型联合预测未表征药物的细胞转录响应。
MAP准确预测未见的细胞类型—药物组合
研究人员首先测试相对容易的零样本组合泛化场景。在这一任务中，测试药物并不是完全新药，而是已经在其他细胞中出现过，只是特定“细胞—药物”组合没有出现在训练集中。对于每种细胞类型，研究人员保留约5%的药物作为测试集，并确保不同细胞类型的测试药物不重叠。
在Tahoe-100M的6种癌细胞系上，MAP在多个评价指标中均明显优于基线模型。与表现最好的其他方法相比，top-50差异表达基因的调控方向准确率提高11.3%，Pearson变化相关性提高12.3%，而基于高变基因的扰动区分能力提高15.2%。MAP同时取得更低的均方误差和Wasserstein距离，说明不仅预测变化方向更正确，预测分布也更接近真实扰动结果。
从不同细胞系观察，MAP的性能也较稳定。A-172细胞中top-50差异表达基因相关性达到0.95以上，即使在性能最低的Hep-G2/C3A中仍接近0.90。这种稳定性说明知识表示有助于将一个药物在已有细胞背景中的作用迁移到新的细胞环境。
研究人员进一步在SciPlex3和OP3上进行测试。SciPlex3涵盖多种癌细胞系，而OP3包含六类免疫细胞。MAP在两个数据集上均保持优势，说明该方法并非只适用于某一个癌细胞图谱。特别是在更难预测的髓系细胞中，MAP的top-50差异表达基因Pearson变化相关性仍达到0.730。
图2｜MAP在未见细胞类型—药物组合上的零样本泛化表现，包括Tahoe-100M、SciPlex3和OP3中不同细胞类型的差异表达基因预测与扰动区分能力。
MAP能够零样本预测完全未表征药物
更严格的实验将整个药物从扰动训练数据中移除。也就是说，模型在训练期间从未看到该药物在任何细胞中的表达响应。为了进一步避免信息泄漏，测试药物本身及与其直接相关的图关系也从MAP-KG预训练阶段删除。因此，在推理时，模型主要依赖测试药物能够获得的分子结构等属性，以及训练阶段学习到的通用药物—基因机制空间进行外推。
在Tahoe-100M上，MAP相对于最佳基线将top-50差异表达基因方向准确率提高17.5%，Pearson变化相关性提高11.8%，HVG扰动区分能力提高16.9%，同时获得最低的均方误差和Wasserstein距离。更值得注意的是，知识注入不仅改善未见药物，对训练中已经出现的药物同样带来性能提升，表明机制先验也能够改善分布内建模。
在16个完全保留的测试药物中，MAP在每一个药物上都获得最高的top-50差异表达基因相关性。其中西地那非达到0.942，而相对困难的环吡酮胺仍达到0.620，说明模型面对结构和作用机制差异明显的药物仍具有较稳定的零样本能力。
对代表性药物伊达比星进行逐基因比较时，MAP预测表达变化更加接近真实值。在A-172细胞中，HVG相关性为0.685，而CRISP和XPert分别为0.447和0.536；在A-549中，MAP达到0.743，而另外两种方法分别约为0.489和0.513。MAP不仅能够恢复最显著变化的基因，也减少了整体预测的系统偏差。
这一优势进一步扩展到其他数据集。对于完全未表征药物，MAP在SciPlex3中的平均top-50 DEG相关性达到0.827，在OP3免疫细胞中达到0.861。研究人员还在ComboSciPlex中测试药物组合，仅使用单药数据训练，再预测双药组合。即使两种药物都没有在组合训练场景中出现，MAP的性能下降也相对缓慢，说明机制感知表示能够为组合扰动预测提供可迁移先验。
图3｜MAP对完全未表征药物的零样本泛化性能，包括不同药物的预测相关性、伊达比星逐基因表达变化以及SciPlex3和OP3中的跨数据集表现。
MAP通过通路层面预测支持虚拟药物筛选
单基因预测精度并不一定意味着模型能够正确理解药物功能，因此研究人员进一步使用基因集富集分析，将预测表达谱转换为通路层面的功能响应。
他们选择A-549非小细胞肺癌作为虚拟筛选模型，从Tahoe-100M中构建58个候选药物，其中包含阿法替尼、奥希替尼、克唑替尼、阿达格拉西布和培美曲塞等5种已用于相关肺癌治疗背景的药物。按照严格的未表征药物协议，这些候选在训练阶段均没有扰动表达信息。
对于每种药物，研究人员计算多条肺腺癌相关信号通路的预测富集程度，并将其整合为药物水平的抑制得分。结果显示，5种已获批药物中的4种进入前14名，其中阿达格拉西布排名第2，阿法替尼排名第4。
模型还识别出一些并非标准肺癌治疗药物但具有实验依据的候选。例如高三尖杉酯碱排名靠前，而已有研究显示它能够抑制A-549细胞增殖、克隆形成以及STAT3等癌症相关信号。虽然这种结果不能替代实验验证，但说明MAP不仅会简单“记住已批准药物”，也可能通过预测功能程序发现具有潜在生物学意义的新候选。
在更细的机制层面，阿法替尼、阿达格拉西布、克唑替尼和奥希替尼等药物的预测通路富集结果与真实实验结果高度一致。例如，模型能够正确恢复EGFR、RAS、MAPK、PI3K–AKT、MET和细胞周期等与相应药物机制相关的信号变化，并且通常能够同时预测调控方向和相对强度。
因此，MAP的作用不只是输出一个高维表达向量，而能够进一步转化为可以解释的生物学程序，从而更接近虚拟筛选的实际需求。
图4｜MAP在A-549肺癌中的虚拟药物筛选和功能通路预测。模型从58种未表征候选中优先识别已获批抗癌药物，并准确重建与药物机制相关的通路调控方向和强度。
生物医学知识规模越大，未表征药物泛化能力越强
为了验证MAP的性能提升是否真正来自生物知识，研究人员进行了逐步知识注入实验。模型首先完全不使用知识；随后加入预训练分子编码器MoleculeSTM；再加入较小的PrimeKG；最后使用完整MAP-KG。
结果呈现非常清晰的单调趋势：随着知识规模增加，三个主要评价指标持续改善。仅加入MoleculeSTM提供的分子结构知识，就使top-50 DEG方向准确率提高27.8%，Pearson变化相关性提高37.7%；在PrimeKG基础上进一步使用完整MAP-KG后，方向准确率、Pearson相关性和HVG扰动区分能力分别再提高7.2%、11.4%和4.3%。
随后研究人员逐类删除MAP-KG中的知识。无论删除药物作用机制文本、基因功能文本、药物—基因关系还是基因—基因关系，性能都会下降，说明不存在单一信息源能够完全解释MAP的优势。其中删除药物—基因机制关系造成的下降最大，表明“药物作用于哪些基因以及如何作用”是未表征药物响应预测最重要的知识来源之一。
表示空间可视化进一步支持这一结论。在知识预训练前，仅基于分子结构得到的药物表示按照作用机制分类并不清晰；MAP预训练后，相同MOA的药物形成更紧凑的聚类，Davies–Bouldin指数由5.78降低至3.55，silhouette score由0.093提高至0.168。对于基因，MAP表示也比原始ESM-2蛋白表示更清晰地按照基因家族和蛋白结构域组织，DBI由9.20降低至4.49，silhouette score由−0.13提高至0.107。
这意味着知识预训练并非只在输出端提高一个评分，而是在内部真正改变了药物和基因的表示几何，使机制相关实体在潜在空间中更接近，从而为零样本外推提供基础。
图5｜生物医学知识对MAP零样本泛化的贡献。随着知识规模逐步增加，未表征药物预测持续改善；不同知识类型均具有互补贡献，同时知识预训练使药物按作用机制、基因按家族和功能形成更加清晰的表示空间。
讨论
这项研究的核心意义，是将单细胞扰动预测从主要依靠“更多扰动数据”的范式扩展到“数据+模型+知识”三条互补路线。近年来，大型单细胞图谱和基础模型不断增长，但化学空间的扩张速度远快于实验测量能力。无论实验数据增加到何种规模，都不可能穷尽全部潜在药物及其在所有细胞类型、剂量和时间点下的组合。因此，真正具有实用价值的虚拟细胞必须具备对训练分布之外的干预进行外推的能力。
MAP的结果说明，已经积累的大量药理学、生物化学和分子生物学知识可以成为这种外推的重要先验。传统模型可能需要观察一个药物的转录响应后才能知道它“像谁”，而MAP可以根据分子结构、靶点、作用机制和通路关系，在没有表达数据之前先判断它在生物学空间中的位置。换言之，模型并不是直接从结构猜表达谱，而是借助机制知识建立从“化学结构→靶点和机制→基因网络→细胞表达变化”的中间桥梁。
这一点对于人工智能虚拟细胞尤其重要。虚拟细胞的价值不应局限于重现已有实验，而应该能够预测“没有测过的东西”。研究中的两个零样本设置分别对应两个不同层次的挑战：未见细胞—药物组合主要测试上下文迁移，而完全未表征药物则更接近真实药物发现场景。MAP在癌细胞和免疫细胞数据中均保持优势，表明机制先验能够在转录监督稀疏甚至完全缺失时提供可迁移信息。
虚拟筛选实验也说明，评价此类模型不能只看逐基因相关性。药物发现真正关心的是模型是否能够正确预测疾病相关通路、药物作用机制和功能结果。MAP能够在A-549中优先识别多种已获批肺癌药物，并恢复EGFR、RAS、PI3K–AKT和MET等相关通路的变化，因此在一定程度上把“表达预测”推进到了“功能预测”。这种通路级输出也比单纯的数千维表达向量更容易进行生物学解释和候选药物排序。
另一个重要结论来自知识扩展实验：知识规模似乎与模型性能形成独立于单细胞数据量和模型参数量的增长轴。完整MAP-KG优于较小的PrimeKG，而删除任一类知识都会降低性能。这表明未来提高虚拟细胞能力不一定只有“收集更多单细胞数据”或“训练更大的基础模型”两种选择，继续整理药物机制、蛋白功能、通路关系以及科学文献中的非结构化知识同样可能带来明显收益。研究人员特别指出，未来可以进一步利用科学文献等更加丰富的非结构化信息扩充机制先验。
不过，MAP仍有明显边界。首先，目前研究重点是小分子药物，虽然知识框架原则上可以扩展到CRISPR遗传扰动、细胞因子处理等其他干预类型，但论文尚未证明这种跨扰动模态泛化能力。其次，MAP对知识图谱质量存在依赖。如果某个新化合物不仅没有单细胞扰动数据，同时也缺少可靠的靶点、作用机制和功能注释，模型真正能够利用的信息将主要剩下分子结构，其优势可能相应减弱。
此外，所谓零样本预测并不意味着模型已经能够替代实验。当前验证主要来自已有单细胞扰动图谱中的计算保留实验以及模拟虚拟筛选。对真正从未进入相关扰动数据集的新化合物，尤其是具有全新作用机制的first-in-class分子，仍需要前瞻性实验验证。A-549药物筛选证明了模型能够恢复已知治疗药物和机制相关候选，但还不能直接证明其发现的新候选在真实药理实验中一定有效。
计算成本也是当前限制。MAP需要以基因为细粒度token联合建模细胞、药物与基因之间的相互作用，这使长基因序列带来较高的显存和计算需求。随着单细胞基础模型、图谱规模和知识图谱继续扩大，这一问题会更加突出。研究人员认为，需要发展更加高效的注意力机制和长序列架构，才能将知识驱动的扰动预测扩展至更大规模数据。
未来一个自然方向是把MAP扩展到更广泛的扰动空间。遗传敲除、基因过表达、细胞因子刺激以及药物组合都可以视为不同形式的细胞干预，如果能够把基因、药物、蛋白、通路和表型放入更统一的知识表示空间，虚拟细胞可能进一步从“预测一个小分子导致什么表达变化”发展为“预测任意可描述干预在特定细胞状态中的结果”。
总体而言，这项工作提出了一种不同于纯数据驱动虚拟细胞的路线：先通过大规模生物医学知识学习机制，再利用机制知识解释和预测细胞扰动。 MAP-KG为药物和基因提供机制关联网络，知识驱动预训练将结构、序列和文本转化为统一表示，单细胞基础模型则负责刻画细胞状态。三者结合后，使模型能够在没有药物转录实验数据的情况下仍然推断其潜在细胞响应。对于未来人工智能虚拟细胞而言，这意味着“知道更多生物学”可能与“看过更多单细胞数据”和“拥有更大的模型”同样重要。
整理 | DrugOne团队
