🤖 AI

You Only Train Once: Differentiable Subset Selection for Omics Data

YOTO 是一个端到端的、可微的框架，它在单次训练过程中同时进行离散基因子集选择与预测，通过实现特征选择与任务性能之间的紧密耦合，从而在单细胞转录组学中实现更优的生物标志物发现，其表现优于现有的多阶段方法。

原作者： Daphné Chopard, Jorge da Silva Gonçalves, Irene Cannistraci, Thomas M. Sutter, Julia E. Vogt

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Daphné Chopard, Jorge da Silva Gonçalves, Irene Cannistraci, Thomas M. Sutter, Julia E. Vogt

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试拼凑一个巨大的拼图，但不是 1,000 块，而是 10,000 块。其中大部分只是背景天空或空白桌面，只有极少数才是你需要看到的实际图像。

在生物学领域，科学家们经常面临这个完全相同的问题：单细胞数据。他们对每个细胞都有成千上万个基因（这些是拼图碎片）的测量值，但他们并不知道哪些特定的基因才是能告诉他们细胞类型或患者是否生病的“重要基因”。

旧方法：两步走的舞步

传统上，科学家们分两个独立的步骤来完成这项工作，就像一场接力赛，而接力棒却在中途掉落了：

第一步： 统计学家观察所有基因，然后说：“根据某些数学规则，这 50 个看起来很有趣。”
第二步： 另一位科学家拿着这 50 个基因，训练一个单独的计算机程序来进行预测。

问题在于，第一步并不知道第二步需要什么。它们是“弱耦合”的。这就像是根据食谱挑选食材，然后交给一位厨师，而厨师必须去猜你到底想做什么菜。其结果往往是一个混乱、低效的过程，而且每当你改变食谱时，都需要重新训练这位厨师。

新方法：YOTO（你只需训练一次）

该论文介绍了一种名为 YOTO 的新方法，它将“挑选”和“烹饪”结合成一个无缝、连续的过程。

把 YOTO 想象成一位聪明的、具备自我纠错能力的副厨，他一边学习如何烹饪，一边同时决定从储藏室里拿取哪些食材。

以下是它的工作原理，使用了论文中的具体主张：

1. “你只需训练一次”的魔力

在旧方法中，你必须先选好食材，训练厨师，测试菜肴，如果味道不好，再回去挑选不同的食材。
有了 YOTO，厨师和食材挑选者变成了同一个人。当厨师尝试预测菜肴（例如，“这是一个健康的细胞还是一个生病的细胞？”）时，他会立即获得反馈。如果预测错了，系统会立即向食材挑选者耳语：“嘿，刚才拿的那个食材没啥用；试着把它换成这个。”

这创造了一个闭环反馈机制。预测任务告诉系统应该选择哪些基因，而选中的基因又立即塑造了预测。它们共同学习，在实时过程中共同进化，直到达到目标。你只需要运行这一次训练过程。

2. “二进制掩码”（严格的守门员）

许多其他的 AI 方法试图进行“软性”选择。它们会说：“也许这个基因有 10% 的重要性，而那个有 5%。”这意味着计算机仍然需要查看每一个基因才能做出决定，这既慢又混乱。

YOTO 则非常严格。它使用了一个二进制掩码（Binary Mask），就像一个拥有“是”或“否”开关的守门员。

是：这个基因进入了前 50 名。它被允许进入厨房并协助烹饪。
否：这个基因被锁在门外。它对最终决策的贡献为零。

这至关重要，因为这意味着最终的模型只使用它所选出的那份精简且紧凑的基因列表。你不需要在以后再训练一个新的分类器来查看这些基因是否真的有效；模型本身已经通过仅使用这些基因来进行预测，证明了它的有效性。

3. 多任务学习器（瑞士军刀）

通常，如果你想预测两种不同的事物（例如，“这是什么类型的细胞？”以及“患者是否生病了？”），你需要两个不同的模型。
YOTO 是一个瑞士军刀。它学习一个共享的“大脑”（共享编码器），该大脑理解细胞的核心生物学特征。然后，它拥有不同的“头部”（专门的工具）来处理不同的任务。

因为它同时从所有这些任务中学习，所以这个“大脑”变得更加聪明且更具鲁棒性。
它发现了一组对所有任务同时都很有用的基因。
你不需要为每个新问题重新训练模型；你只需要向模型提出一个不同的问题，它就会使用相同的学习到的基因子集来回答。

结果：它奏效了吗？

作者在两个现实世界的生物数据集上测试了 YOTO：

COVID-19 血细胞： 试图识别疾病状态和细胞类型。
小鼠大脑细胞： 试图对视觉皮层中的特定神经元类型进行分类。

研究结果非常明确：

更好的性能： YOTO 一致地击败了旧有的“两步走”方法和其他现代 AI 方法，尤其是在被迫使用非常精简、紧凑的基因列表（例如，在数千个基因中仅选取 16 到 256 个）时。
稳定性： 尽管由于随机性，它挑选的具体基因在每次运行中可能会略有不同，但这些基因所执行的生物学功能类型始终是一致的。它总能找到完成工作的正确“工具”。
高效性： 它通过仅训练一个模型一次就实现了这些结果，而旧方法则需要训练多个模型或为每个新任务重新训练分类器。

总结

YOTO 是一种寻找“大海捞针”的新方法。它不是在猜测哪些针是重要的然后再去测试，而是构建了一个在学习如何使用针的同时，也在学习如何寻找针的机器。它更快、更准确，并且由于它在一个流程中完成了所有工作，因此所需的劳动更少，确保了最终的基因列表能够完美契合当前的任务需求。

技术摘要：YOTO (You Only Train Once)

问题陈述

从高维单细胞转录组数据中选择紧凑且具有信息量的基因子集，对于生物标志物发现、模型可解释性以及高性价比的分析至关重要。然而，现有方法存在显著局限性：

脱节的流水线： 传统方法（如统计过滤、mRMR、Seurat）采用多阶段过程，其中特征选择是独立于下游预测任务进行的。因此，选出的基因可能并不一定是对其支持的特定模型最优的。
深度学习中的弱耦合： 近期的深度学习方法通常依赖于事后特征归因或软掩码机制（如 PERSIST）。这些方法在训练期间并不强制执行离散的基因子集；相反，所有基因都以不同的权重对预测做出贡献。这导致必须重新训练独立的下游分类器来评估所选子集的效用，从而打破了端到端的优化循环。
数据稀缺与噪声： 单细胞数据本质上具有稀疏性、噪声大和高维度的特点，且标签往往不完整或仅在部分样本中可用。

方法论：YOTO 框架

作者提出了 YOTO (You Only Train Once)，这是一个端到端的、可微的框架，能够在单一架构内联合学习离散基因子集并执行多任务预测。该模型由三个主要部分组成：

1. 可微子集选择

不同于以往将特征视为独立个体或使用软掩码的方法，YOTO 通过显式学习特征之间的排名来选择一个离散子集。

可学习评分： 为每个基因分配一个可学习的评分向量 $s$ 。
可微排列： 模型基于 Plackett-Luce (PL) 分布和 Gumbel-Softmax 技巧，采用一个可微的排列矩阵 $\pi(s)$ 。这使得基因的排名对于评分是可微的。
二值掩码： 为了确保稀疏性，通过对排列矩阵的前 $k$ 行求和来构建一个二值掩码 $\Gamma_k(s)$ 。
直通估计器 (Straight-Through Estimator)： 在前向传播过程中，模型使用硬二值掩码以确保只有选定的 $k$ 个基因参与推理。在反向传播过程中，使用排列矩阵的松弛（软）版本来传播梯度，从而实现端到端训练。
退火： 训练期间，温度参数 $\tau$ 进行指数退火，以实现从软的、随机的选择向确定性的、离散的选择的过渡。

2. 共享编码器

一个共享的神经网络编码器将选定的 $k$ 个基因值映射为潜在表示。该共享表示捕捉了跨不同任务的共同生物学信号。

3. 多任务学习头

该框架支持同时进行多种预测目标（例如，细胞类型分类、疾病状态、患者身份）。

联合优化： 任务特定的“头”处理共享的潜在表示，以预测 $T$ 个不同任务的标签。
损失函数： 总损失是各任务特定损失的平均值（分类使用交叉熵，回归使用 MSE）。
处理缺失标签： 该设计允许不完全监督；对于某些样本缺失标签的任务，仍可通过可用的标记样本来辅助优化共享表示。

核心贡献

端到端离散选择： YOTO 是第一个在保持完全可微性的同时，在训练期间强制执行严格离散、稀疏基因子集的框架。这消除了对事后选择或重新训练下游分类器的需求。
闭环反馈： 预测任务直接引导基因选择，而选定的基因塑造了预测表示，从而形成了一个迭代优化选择与预测的闭环。
多任务效率： 通过在多个相关目标中学习共享的基因子集，YOTO 发现的基因面板可以跨任务泛化，而无需为每个任务单独进行训练实例。
单模型评估： YOTO 的单个训练实例即可同时在所有任务上进行评估，与多阶段流水线相比，具有显著的计算效率优势。

实验结果

作者在两个不同的单细胞 RNA-seq 数据集上评估了 YOTO：

COVID-PBMC： 来自 COVID-19 患者的外周血单核细胞（预测细胞类型、疾病状态和患者 ID）。
VISp： 小鼠初级视觉皮层细胞（预测不同粒度的细胞类型）。

主要发现：

性能： 在各种指标（F1 分数、AUPRC、AUROC、准确率）上，YOTO 一致地优于或匹配了最先进的基准方法（包括 Seurat、mRMR、Block HSIC Lasso 和 PERSIST）。
面板规模鲁棒性： 随着基因面板规模的增加（例如 32–256 个基因），YOTO 展示了卓越的性能，表明它能有效捕捉基因相互作用和互补集合。即使在极度稀疏的情况下（如 16 个基因），它仍保持竞争力，尽管性能对单个基因的选择高度敏感。
多任务优势： 在多任务设置中，YOTO 达到了与需要为每个任务建立单独模型的方案相当甚至更好的性能，且仅使用一个训练实例。
消融研究：
- 在相同的单任务架构下将 YOTO 与 PERSIST 进行比较，证实了 YOTO 的增益源于其稀疏、离散的选择机制，而非架构规模或多任务监督本身。
- 多任务学习提高了泛化能力，但在模型容量受限的极度约束场景下（极小的 $k$ 值），可能会引入优化权衡。
鲁棒性： 虽然由于特征冗余，不同随机种子选出的特定基因会有所不同，但选出的子集表现出高度的函数一致性（例如，富集了与突触传递和轴突引导相关的基因本体术语），并优先恢复了已知的生物标志基因。

重要性与主张

论文声称 YOTO 通过提供一个统一了特征选择与预测的灵活且高效的数据系统，推动了单细胞分析领域的发展。

生物标志物发现： 通过强制执行稀疏性和端到端优化，YOTO 产生的是紧凑、有意义且能通过其预测能力直接验证的基因子集，而非基于连续评分的任意阈值。
转化潜力： 能够从高维数据中选择信息丰富的子集，对于有限测量能力的靶向分析和空间转录组学应用特别适用。
泛化性： 虽然侧重于基因组学，但作者指出该框架是一种通用的离散特征选择策略，适用于其他高维领域（如蛋白质组学、表观基因组学）以及对小特征集至关重要的场景。

作者保持了审慎的态度，承认虽然多任务学习增强了鲁棒性，但对于所有任务而言并非严格必要，且假设共享生物结构对于多任务方法的成功至关重要。他们还指出，评估中使用的细胞级拆分可能会允许模型利用患者特异性信号，这是他们留给未来研究的权衡问题。