🤖 machine learning

Chreode: A Cell World Model for One-Step Temporal Dynamics and Perturbation Prediction

Chreode 是一种预训练的单步细胞世界模型，它利用结构化残差转移算子，通过将分布演化的预测移至训练阶段来预测时间动态和基因扰动，从而在发育轨迹建模和零样本扰动响应预测方面均实现了最先进的性能。

原作者： Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

发布于 2026-05-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

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

想象一个细胞是一个微小的、复杂的球体，在广阔起伏的景观上滚动。这片景观被称为“沃丁顿景观”（Waddington landscape），代表了细胞可能处于的所有状态。有些区域是深邃的山谷（如心脏细胞或皮肤细胞等稳定的细胞类型），有些则是高耸的山峰。通常情况下，球体因重力（发育过程）而自然向下滚动，但它也可能被风（基因变化）推动，或因水流（生物节律）而旋转打转。

Chreode 是一款新开发的计算机程序，旨在精确预测：如果你推动这个球体或让它滚动一段时间，它最终会落在哪里。其工作原理可分解为以下简单概念：

1. 问题所在：“快照”与“电影”之别

大多数先前的细胞计算机模型，就像是在音乐会前和音乐会后分别拍摄人群的照片。它们试图通过比较这两张照片来推测人群如何变化，却丢弃了音乐会本身的录像。它们不知道人群移动的速度有多快，也不知道他们朝哪个方向旋转。

其他模型则试图逐步模拟运动，就像逐帧观看电影一样。但如果你想模拟整个体育场里的人群数小时内的移动，你就必须观看数百万帧画面。这不仅耗时极长，还需要巨大的计算能力。

2. 解决方案：Chreode 的“一步飞跃”

Chreode 与众不同。它不是逐帧观看电影，而是如此深入地学习了地形规则，以至于能够单步跳跃就预测出最终目的地。

训练过程：作者向 Chreode 输入了一个包含 240 万个小鼠胚胎细胞的庞大库（相当于来自不同发育阶段的“前后快照”的巨大图书馆）。
“世界模型”：将 Chreode 想象成一位制图大师。它不仅仅记忆路径，还学习山丘的形状、水流的强度以及风的随机性。
预测机制：当你问：“如果我推动这个细胞（通过药物或基因改变）并等待 5 天，它会到哪里？”Chreode 不会模拟 5 天内无数微小的步骤。它一步就算出答案。这就像你如此精通滑梯的物理原理，以至于无需观看某人滑下，就能准确告诉他们会落在哪里。

3. 它是如何计算移动的

Chreode 将细胞的运动分解为三个 distinct 的部分，如同运动的配方：

向下滚动：细胞自然倾向于滚入最近的山谷（稳定状态）。Chreode 计算这种“重力”。
旋转：有时细胞不只是向下滚动，它们会旋转或循环（例如细胞分裂）。Chreode 添加一个“旋转”力来解释这种现象。
晃动：生物学是混乱的。细胞不会沿完美直线移动；它们会抖动。Chreode 添加“随机晃动”以使预测更贴近现实。

它将这三种成分结合成一个公式，瞬间预测出新状态。

4. 实际成果（结果）

该论文在两项主要任务上测试了 Chreode：

预测发育过程：他们在血细胞形成（Weinreb 数据集）和胰腺细胞形成（Veres 数据集）上进行了测试。与其他顶级模型相比，Chreode 在预测细胞最终去向方面更准确，且速度快得多（仅需一次计算机运算，而非数十次）。
预测基因“推动”：他们测试了 Chreode 从发育（细胞自然生长方式）中学到的知识，是否能帮助预测当你破坏一个基因（使用 CRISPR）时会发生什么。
- 类比：想象学习汽车在正常道路上的行驶方式（发育）。然后有人问：“如果我切断刹车线会怎样？”（基因扰动）。Chreode 利用其对正常驾驶的知识，出人意料地准确预测了事故，尽管它从未被明确教导过刹车故障的情况。
- 结果：通过将 Chreode 的“大脑”接入现有工具 GEARS，预测基因变化的准确率提高了12.4%。

5. 它不是什么（局限性）

作者非常清楚地说明了这篇论文没有做到什么：

它还不是一个通用的“AI 细胞”，尚不了解所有细胞类型的一切。
它是基于小鼠胚胎训练的。虽然由于基因相似性，它可以迁移部分知识到人类细胞，但尚未在成年人类组织或临床患者身上进行测试。
它不能取代真实的实验室实验；它是一个工具，帮助科学家通过先模拟实验来更好地规划实验。

总结：Chreode 是一个快速、智能的模拟器，它从小鼠数据的庞大库中学习了细胞运动的“物理规律”。它能瞬间预测细胞随时间如何变化，或在药物/基因推动下如何改变，为那些希望模拟生物学而无需等待超级计算机处理海量数据的科学家提供了一条捷径。

技术摘要：Chreode——用于单步时间动力学与扰动预测的细胞世界模型

问题陈述

预测细胞转录状态在发育信号或遗传扰动下的变化，是in-silico（计算机模拟）生物学和 AI 虚拟细胞计划的核心。现有方法面临四个关键局限：

时间数据利用不足：大多数方法将破坏性的单细胞 RNA 测序（scRNA-seq）快照压缩为静态的“对照 - 处理”映射图，丢弃了时间序列数据中固有的变化率信息。
干预建模不当：许多模型将干预措施（药物、基因敲除）视为待拼接的潜在上下文，而非因果do-演算干预，导致无法解决组合性或轨迹依赖性的扰动。
推理成本高：多步求解器（常微分方程 ODEs、薛定谔桥）需要对每个查询进行迭代积分。扩展到筛选级查询（ $10^8$ 个元组）会导致计算成本过高（ $10^{10}$ 次前向传播）。
缺乏生物学归纳偏置：当前的流匹配和最优传输方法将速度场参数化为通用神经网络，忽略了沃丁顿景观（Waddington's landscape）的生物学结构（下坡势能流、旋转流和随机扩散）。

方法：Chreode

Chreode 被引入为一种单步细胞世界模型，通过结构化的残差转移算子预测动作条件的细胞状态转移 $p(z_{t+\Delta} | z_t, \text{do}(a))$ 。

1. 核心架构：沃丁顿残差

Chreode 不进行迭代展开，而是通过将学到的残差 $R_\theta$ 加到输入状态 $z_t$ 上，在单次前向传播中预测未来的潜在状态 $\hat{z}_{t+\Delta}$ ：
$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$
其中 $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$ 是一个可学习的时间门控，确保在 $\Delta=0$ 时变化为零。残差 $R_\theta$ 被分解为三个具有生物学可解释性的组件：

下坡势能流（ $-\nabla_z U_\theta$ ）：学习到的势能函数 $U_\theta$ 的负梯度，驱动细胞向低势能命运盆地移动。
反对称流（ $S_\theta z_t$ ）：模拟非平衡流（如细胞周期）的旋转分量。 $S_\theta$ 被参数化为 $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$ 以保证精确的反对称性（ $S_\theta^\top = -S_\theta$ ）。
随机扩散（ $\sigma_\theta \odot \epsilon$ ）：逐元素噪声缩放，以捕捉内在的生物学变异性。

2. 训练流程

Chreode 在包含 240 万个细胞的小鼠胚胎图谱（7 个数据集，88 个时间点）上采用两阶段预训练方案：

阶段 1（编码器）：在固定的跨物种直系同源词汇表（16,520 个小鼠 - 人类 1:1 直系同源基因）上训练共享的 scVI 编码器，以生成冻结的潜在表示。
阶段 2（动力学骨干）：基于 DiT（扩散 Transformer）的骨干网络学习单步转移算子。它使用源自 Deng 等人 [2026] 的群体级漂移场损失，结合：
- 用于分布匹配的核 MMD 和 Sinkhorn $W_2$ 。
- 漂移场项（ $L_{drift}$ ）以强制平衡一致性。
- 下坡正则化项（ $L_{down}$ ）以防止上坡移动。
时间嵌入解耦：为确保长时程外推的稳定性，势能分支使用灵活的 Time2Vec 嵌入，而反对称分支使用有界的低频傅里叶编码，以防止旋转速率漂移到未见过的频率。

3. 迁移模式

预训练的骨干网络支持两种不同的下游迁移模式：

微调初始化：骨干网络用于初始化在保留数据集（如 Weinreb 造血、Veres 胰岛分化）上进行时间转移预测的模型。
基因状态嵌入注入：将预训练的动力学表示作为基因状态嵌入注入到现有的 GEARS 扰动预测器中，无需修改 GEARS 的训练过程。

关键结果

时间动力学预测

Weinreb 造血：与匹配的从头训练模型、PI-SDE 和 PRESCIENT 相比，微调后的 Chreode 在第 4 天和第 6 天实现了最低的 Sinkhorn $W_2$ 距离。
Veres 胰岛分化：Chreode 在所有七个目标时间点（ $t=1$ 至 $7$）上均优于所有基线（包括 PI-SDE 和 PRESCIENT）。
零样本克隆命运：使用冻结骨干网络而不进行微调，Chreode 产生的克隆命运评分（皮尔逊相关系数 $r=0.468$ ）与强动态 OT 基线（moscot, WOT）和神经 SDE 基线（scDiffEq）具有竞争力。

扰动预测

Norman Perturb-seq：当作为基因状态嵌入在 GEARS 内部使用时，预训练的动力学表示将共享词汇的 DE20 均方误差（MSE）从 0.2121 降低至 0.1858，实现了12.4% 的相对提升。这表明发育轨迹动力学编码了可迁移至 CRISPR 诱导状态变化的基元。

效率

推理速度：Chreode 在单次前向传播（1 NFE）中解决查询，在单块 NVIDIA A100 上比 PRESCIENT 快约3.0 倍，比 CellFlow 快6.3 倍。这种摊销对于扩展到 $10^8$ 个查询的筛选至关重要。

意义与主张

本文主张 Chreode 是首个结合以下特性的细胞基础模型：

单步推理（摊销转移成本）。
跨下游数据集共享的预训练骨干网络。
时间和动作的联合条件。
结构化残差先验，明确将速度分解为势能梯度、反对称流和随机扩散。

作者将发育动力学成功迁移至扰动预测解释为证据，表明这两个过程都沿着连贯的轨迹穿越细胞状态流形。通过将分布演化从推理时间转移到训练时间，Chreode 在保留沃丁顿启发的分解的同时，实现了单次通过生成。该工作将其定位为对"AI 虚拟细胞”议程的结构性贡献，提供了一种可扩展的、基于生物学原理的替代方案，以取代多步求解器和静态扰动图谱。

作者指出的局限性：

预训练仅限于小鼠胚胎数据；跨物种迁移完全依赖于直系同源映射。
时间转移迁移需要微调（并非严格的零样本）以达到最佳性能。
扰动迁移重用了 GEARS 架构，而非提出独立的扰动算子。
规模（240 万个细胞）小于在专有数据上训练的并行大型细胞世界模型。