🤖 machine learning

Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction

本文提出 CITE-VAE，这是一种潜在动态因果生成模型，能够恢复未观测到的细胞程序及其时间演化，以改善单细胞扰动预测中的分布外泛化能力，该模型得到了理论可识别性保证以及在合成数据集和真实世界数据集上的实证验证的支持。

原作者： Wenkang Jiang, Yuhang Liu, Erdun Gao, Ehsan Abbasnejad, Lina Yao, Javen Qinfeng Shi

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Wenkang Jiang, Yuhang Liu, Erdun Gao, Ehsan Abbasnejad, Lina Yao, Javen Qinfeng Shi

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，你试图预测一座城市在通过一项新法律后将如何变化。你拥有这座城市在不同时间拍摄的照片，但你没有同一批车辆在城市街道中行驶的视频。你只有不同人群在不同时刻的快照。

这正是科学家们在单细胞生物学领域面临的挑战。他们想知道单个细胞将如何对药物或基因改变（即“扰动”）做出反应。他们拥有不同时间点的基因活动快照，但无法观察某一个特定细胞随时间的演变，因为该过程会破坏细胞。

这篇论文介绍了一种名为CITE-VAE的新方法来解决这一难题。其工作原理可分解为以下简单概念：

1. 问题：“静态”与“电影”的误区

以往的方法试图通过两种方式解决这一问题，但两者都不完整：

静态方法：某些方法将细胞的反应视为一张静止的照片。它们试图寻找导致变化的“隐藏规则”（因果机制），却忽略了时间。这就像试图通过观察单帧画面来理解一部电影。
电影方法：其他方法观察事物如何随时间变化（如同视频），但它们并不理解变化发生的原因。它们仅观察表面活动，而未理解驱动其背后的隐藏引擎。

现实情况：细胞的反应既包含隐藏引擎（潜在因素），也包含动态故事（动态过程）。药物击中一个隐藏开关，该开关随时间逐渐转动细胞的齿轮。要预测未来，你既需要理解开关，也需要理解齿轮。

2. 解决方案：“双层”时间机器

作者构建了一个模型，将细胞的行为分离为两个 distinct 的层次，如同戏剧制作：

第一层：舞台（不变背景）：这是细胞中无论药物如何都保持不变的部分。将其想象为剧院的舞台、灯光架和观众席。它是细胞中当你触碰它时不会改变的“背景噪声”。
第二层：演员（响应动态）：这是实际对药物做出反应的部分。这些是移动、换装和念台词的演员。它们的行为会根据“剧本”（药物）以及场景随时间的推进而改变。

CITE-VAE是一个智能系统，能够学习分离这两层。它会问：“这种变化中，哪一部分仅仅是舞台（背景），哪一部分是演员对剧本（药物）的反应？”

3. 学习机制：“对齐”技巧

计算机如何知道哪部分是舞台，哪部分是演员？

理论：作者从数学上证明，如果你拥有足够多的不同“剧本”（不同药物），你就可以唯一地推断出隐藏规则。
方法：该模型使用一种称为不变对齐的技术。想象你有两部不同的电影：一部是风暴袭击城市，另一部是节日庆典。演员们（对风暴做出反应的演员与对节日做出反应的演员）会以不同的方式移动。但舞台（建筑物、道路）保持不变。
- 该模型强制“舞台”层在两部电影中看起来完全相同，即使“演员”们正在做完全不同的事情。
- 通过强制背景保持一致，模型被迫将所有变化的、药物特定的信息归入“演员”层。

4. 结果：预测未见之事

团队通过两种方式测试了该方法：

合成数据（模拟）：他们创造了一个包含 3D 物体（如立方体和球体）的虚拟世界，这些物体根据规则移动并改变颜色。他们“扰动”了这些物体（改变其规则），并要求模型预测未来。该模型成功恢复了隐藏规则并完美预测了运动，证明了数学原理的有效性。
真实生物学（实验室）：他们使用了经 CRISPR（基因编辑）编辑的人类干细胞真实数据。他们在 22 种不同的基因编辑上训练了模型，并要求其预测如果编辑一个它从未见过的第 23 个基因会发生什么。
- 结果：CITE-VAE 在预测这些未见反应方面优于其他顶级方法。它不仅仅是猜测；它理解了底层的“动态因果过程”（基因编辑如何随时间在细胞中产生连锁反应）。

总结

将 CITE-VAE 想象成一名穿越时间的侦探。

旧式侦探查看犯罪现场（快照）并试图猜测动机（因果性），但错过了时间线。
其他侦探观察时间线，但错过了动机。
CITE-VAE将不变的环境与变化的反应分离开来。通过这样做，它能够审视少数过去的场景，并准确预测细胞在完全新情境下的行为，即使它从未见过该特定情境。

该论文声称，这种方法在预测细胞对新药物或基因变化的反应方面更加稳健和准确，特别是因为它同时尊重了隐藏原因和时间流。

技术摘要：学习潜在动态因果过程以进行单细胞扰动预测

问题陈述

单细胞扰动预测旨在建模细胞对遗传或化学干预的反应，特别是预测在未见过扰动下的反应（分布外或 OOD 泛化）。一个核心挑战在于，现有的机器学习方法通常仅解决扰动反应中两个不可分割特征中的一个：

潜在性（Latency）： 扰动并非直接作用于观测到的基因表达，而是通过未观测到的细胞程序（潜在变量）起作用。
动态性（Dynamics）： 这些潜在程序的状态随时间演变，在不同时间点生成观测到的基因表达谱。

现有方法要么专注于学习潜在因果机制，但将反应视为静态快照，忽略了时间演变；要么对基因表达的时间变化进行建模，但未能显式捕捉驱动这些变化的潜在因果生成机制。本文通过提出一个统一框架来填补这一空白，该框架联合捕捉潜在细胞程序及其时间演变。

方法论：CITE-VAE

作者提出了 CITE-VAE（受因果启发的时序变分自编码器），这是一个基于 潜在动态因果生成模型 的学习框架。

1. 生成模型

该模型将时间 $t$ 的潜在细胞状态 $z_t$ 分解为两个组成部分：

扰动不变的背景程序（ $z_t^\iota$ ）： 代表不受干预影响的稳定细胞状态。
扰动响应机制（ $z_t^\nu$ ）： 代表由干预驱动的动态状态。

生成过程形式化如下：

外生噪声： 不变噪声 $n_t^\iota$ 是独立的，而响应噪声 $n_t^\nu$ 在给定扰动标签 $u$ 的条件下是独立的。
潜在动态：
- 不变状态通过时间不变的转换演变： $z_t^\iota = f_\iota(z_{t-1}^\iota) + n_t^\iota$ 。
- 响应状态通过依赖于父节点和干预的结构因果方程演变： $z_{t,\nu,j}^t = f_{\nu,j}(z_{t-1}^{pa(j)}, u) + n_{t,\nu,j}$ 。
观测： 观测到的基因表达 $x_t$ 通过时间不变、平滑且可逆的映射 $g(z_t)$ 生成。

2. 理论可识别性

本文提供了理论分析，证明在特定假设下，潜在因果变量是 可识别的（可恢复至平凡等价类）。关键假设包括：

环境充分性： 存在足够多样化的扰动，以在响应创新中引起不同的分布变化。
最优时间对齐： 学习到的不变表示在不同环境中保持稳定（最小化对齐损失）。
时间干预充分性： 对于每个响应坐标，存在一个环境，其中父节点的贡献被移除（硬干预）。

定理 4.1 确立了不变块在可逆线性变换下是可识别的，而响应块在置换和分量缩放意义下是可识别的。

3. 学习框架

为了将这些理论保证转化为实用算法，CITE-VAE 优化了一个包含三个组成部分的联合目标函数：

时序 ELBO（似然最大化）： 确保潜在变量保留足够的信息以重建观测快照，并解释其在干预下的时间演变。
不变对齐损失： 强制推断出的不变表示（ $z^\iota$ ）在不同的扰动环境中保持一致，防止不变因素与响应因素纠缠。
结构稀疏正则化： 鼓励响应转换机制中的稀疏依赖（通过可学习的下三角邻接矩阵），以减轻过拟合并促进可解释的因果结构。

训练利用相邻时间点的快照伪对来近似时间转换，而无需细胞级配对（这在破坏性单细胞测序中是不可能的）。

主要贡献

统一模型： 提出了一种潜在动态因果生成模型，同时捕捉潜在细胞程序及其时间演变，解决了静态因果模型或纯时间模型的局限性。
可识别性分析： 提供了严格的理论保证，表明当结合基于似然的学习与不变对齐时，潜在因果变量可以被唯一恢复（至平凡变换）。
CITE-VAE 算法： 开发了一个理论驱动的变分自编码器框架，通过 ELBO、对齐和稀疏目标的特定组合来实现这些可识别性条件。
实证验证： 在合成基准和真实世界的单细胞 CRISPR 扰动数据上证明了该方法的有效性。

实验结果

合成数据（Causal-3DIdent）

在 Causal-3DIdent 基准上的实验验证了理论可识别性结果。

恢复： 模型成功以高精度恢复了真实潜在因子（不变因子的 $R^2 > 0.95$ ，响应因子的 $R^2 = 0.959$ ）。
轨迹可视化： 投影的潜在轨迹紧密跟踪真实物理运动，证实模型捕捉到了随时间的一致状态转换。

真实世界数据（hiPSC CRISPR 扰动）

在具有 23 个单基因敲除的纵向人类诱导多能干细胞（hiPSC）数据集上进行了评估，采用留一干预（LOO）协议进行 OOD 泛化。

性能： CITE-VAE 优于最先进基线，包括潜在因果模型（SAMS-VAE, Discrepancy-VAE）、时间动态模型（RENGE, scNODE）和基础模型（scGPT, UCE）。
指标： 它在差异表达（DE）基因指标上取得了卓越性能（例如， $\Delta$ 皮尔逊相关系数为 0.691，而 SAMS-VAE 为 0.621），同时保持了具有竞争力的全基因组重建精度（ $R^2 > 0.95$ ）。
消融实验： 移除对齐或稀疏正则化会显著降低 DE 聚焦指标的性能，证实了联合目标对于捕捉扰动响应机制的必要性。

辅助基准（E-MTAB-14065）

在具有克隆水平变异的心脏分化数据集上，CITE-VAE 在稳定基线中取得了最佳 RMSE，并在 DE 指标上保持了强劲性能，证明了其在不同生物背景下的鲁棒性。

意义与主张

本文主张，通过显式建模扰动反应的潜在和动态性质，CITE-VAE 实现了对未见扰动的原则性泛化。其意义在于：

理论基础： 通过提供可识别性保证，将学习目标与真实因果机制的恢复联系起来，超越了启发式方法。
实际鲁棒性： 证明了即使严格假设在真实生物数据中仅近似满足，理论见解依然成立，从而改善了对未见基因敲除的预测。
方法论洞察： 强调了在动态扰动系统中进行有效的表示学习，需要将生成建模与不变性约束相结合，而不是孤立地依赖其中任何一方。

作者承认，像大多数因果表示学习工作一样，该方法依赖于假设（例如加性噪声、足够的环境多样性），这些假设可能并不严格适用于所有真实场景。然而，实证结果表明，在近似条件下，该方法仍然具有鲁棒性和信息量。