🤖 machine learning

Knowledge Graphs and Reasoning LLMs for Finding Simple Yet Effective Transcriptomic Perturbation Predictors

本文证明了利用生物知识图谱的简单 K-最近邻方法在预测转录组扰动效应方面实现了具有竞争力的分布外性能，并且通过使用强化学习来优化用于细化邻域选择的推理大语言模型，可以进一步增强该方法以达到最先进方法的水平。

原作者： Jake Fawkes, Liam Hodgson, Jason Hartford

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Jake Fawkes, Liam Hodgson, Jason Hartford

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

大局观：预测不可预测之事

想象一下，你正试图弄清楚如果拆掉一个特定的零件，一台复杂的机器（比如汽车或电脑）会发生什么变化。在生物学中，这个“机器”就是活细胞，而“零件”就是基因。科学家们想要知道：如果我们敲除基因 A，细胞的行为会如何变化？

在真实的实验室里做这种实验既慢、又贵，而且还有危险。因此，科学家希望通过计算机来预测答案。然而，计算机一直难以胜任这项工作，因为细胞极其复杂。即使是简单的计算机模型也经常失败，有时表现甚至不如直接猜测所有过往实验的平均结果。

核心理念：“你的邻居是谁？”

本文的作者提出了一个基于生物学真理的、出人意防地简单的解决方案：协同工作的基因往往反应相似。

把一个基因想象成大型工厂里的一个工人。如果你解雇了一名工人，工厂的产出就会发生变化。

传统方法： 试图构建一个巨大的、复杂的 AI，去理解工厂里的每一条规则。
本文的方法： 查看知识图谱（Knowledge Graph）。这就像是一张巨大的组织架构图，或者一张记录了工厂里谁和谁在交流的地图。如果解雇了“工人 A”，就观察他们在图表上的直接邻居（即与他们交流最频繁的人）。如果这些邻居在被解雇时通常会有某种特定的反应，那么就假设“工人 A”也会有同样的反应。

作者发现，这种简单的“观察你的邻居”的方法（称为 K-最近邻 模型）在预测这些变化方面，实际上比大多数复杂的高科技 AI 模型都要出色。

问题所在：地图并不完整

这里有一个陷阱。这个“知识图谱”（组织架构图）并不完美。

缺失的链接： 它并没有显示工人之间所有的连接关系。
错误的邻居： 有时，图中列出的邻居在处理特定工作时，并不是最适合进行比较的对象。

这就像拥有一张丢失了一些街道且包含了一些死胡同的城市地图。如果你仅靠这张地图导航，你会接近目的地，但无法找到那条最好的路线。

解决方案：“推理型”AI

为了修复这张地图，作者使用了大语言模型（LLM）——一种非常擅长理解语言和关系的 AI 类型。

他们不仅仅是让 AI 去猜测，而是通过一种称为**强化学习（RL）**的技术，教会了它如何修复地图。

类比： 想象一个学生（AI）正在参加考试。
- 第一步： 学生从标准的地图（知识图谱）开始。
- 第二步： 学生被问到：“你能改进这个邻居列表，从而做出更好的预测吗？”他们可能会说：“我会加入基因 X 并移除基因 Y。”
- 第三步： 老师（计算机）检查答案。如果预测变得更准确了，学生就会获得奖励（分数）。如果预测变差了，他们就得不到分数。
- 第四步： 学生一遍又一遍地尝试，学习哪些改动可以赢得分数。

随着时间的推移，AI 学会了一种“推理”技能：它学会了如何查看一个基因，检查标准地图，然后编辑邻居列表，以找到最完美的基因群体来进行对比。

结果：简单 + 聪明 = 最优

论文发现了两个主要结论：

简单的基准模型获胜： 仅仅使用标准的“邻居”列表（不使用 AI）就已经击败了几乎所有其他的复杂 AI 模型。
AI 使其趋于完美： 当他们训练 AI 去微调那个列表时，结果变得与目前市面上最优秀的、最复杂的模型（特别是名为 TxPert 的模型）一样出色。

“神奇”的加分项：
尽管该 AI 仅针对预测基因表达变化进行了训练，但它在其他生物学问题上也表现得更好（例如预测药物是否会改变基因活性）。这表明 AI 学到的是一种关于生物学如何运作的通用“逻辑”，而不仅仅是死记硬背答案。

总结

问题： 预测细胞对基因变化的反应非常困难。
简单的修复方案： 将基因与其已知的生物学邻居进行比较。这效果惊人地好。
升级版： 使用智能 AI 来编辑这个邻居列表，根据实际能改善预测的结果，剔除坏的邻居并加入好的邻居。
结果： 这种“简单的地图 + 聪明的编辑器”的组合，创造出了一个能够像最先进的方法一样准确预测生物变化的工具，但其底层逻辑要简单得多。

重要提示： 本文完全侧重于改进这些计算机预测。它并不声称这种方法已经准备好用于医院治疗患者或设计新药；它是一个关于更佳科学建模的概念验证。

技术摘要：利用知识图谱与推理大语言模型寻找简单且有效的转录组扰动预测器

1. 问题陈述

预测未见过的基因敲除（knockout）扰动对虚拟细胞模型而言仍是一个重大挑战。虽然近期的研究方法通过利用生物学知识图谱来提升对训练集外（out-of-distribution, OOD）扰动的泛化能力，但复杂的深度学习模型往往难以超越简单的基准模型（例如训练样本的均值）。核心难点在于如何泛化到新的干预分布 $P(x|do(i))$，其中每一次扰动都会诱导一个受复杂生物过程约束的独特分布。现有的利用图神经网络（GNN）或大规模预训练的方法展现出了潜力，但生物知识实现对新干预泛化的具体机制尚不明确。此外，由于可能的基因图谱搜索空间呈指数级增长，直接优化底层的因果结构在计算上是不可行的。

2. 研究方法

2.1 理论基础：一种稀疏层次模型

作者假设细胞对基因敲除的反应遵循一个稀疏的层次因果图。在该模型中，基因形成蛋白质复合物，复合物形成通路，最终导致细胞器和细胞反应。

含义： 影响同一低层复合物的扰动应当产生相似的表达谱。
预测： 目标扰动的平均表达量可以通过在由该因果图定义的局部邻域内进行简单的最近邻平均来近似。

2.2 基准模型：图邻域预测器

作者首先评估了一个“图邻域”（Graph Neighbour）预测器，该预测器利用现有的生物知识图谱（如 StringDB、GO）作为先验。

机制： 对于目标基因 $g$ ，预测器识别其在知识图谱中的邻居 $N(g)$ 。预测的扰动增量 ( $\hat{\delta}_g$ ) 计算为这些邻居训练增量的均值：
$\hat{y}_g = \bar{x}_g + \frac{1}{|N_{Tr}(g)|} \sum_{\tilde{g} \in N_{Tr}(g)} \bar{\delta}_{\tilde{g}}$
其中 $\bar{x}_g$ 是匹配的对照组表达量， $N_{Tr}(g)$ 代表存在于训练集中的邻居。
发现： 这种简单的 $K$ -最近邻方法优于复杂的深度学习模型（如 GEARS、scLAMBDA），并接近于 SOTA 模型（如 TxPert）的性能，特别是在分布外（OOD）设置下。

2.3 改进：结合推理大语言模型的强化学习

由于意识到知识图谱是不完整的且包含次优的边，作者提出使用大语言模型（LLM）来精炼这些邻域。

搜索空间缩减： 并非在所有可能的基因图谱（ $O(2^{\#genes^2})$ ）这一难以处理的空间中进行搜索，而是将搜索限制在 LLM 先验信念下合理的候选边内。
强化学习公式化：
- 策略： LLM ( $\pi_\theta$ ) 作为策略，对初始的知识图谱邻居集 ( $N_{KG}$ ) 执行动作（添加 $A$ 、移除 $R$ ）。
- 动作空间： 精炼后的集合为 $S_{LLM} = (N_{KG} \setminus R) \cup A$ 。
- 奖励函数： 模型通过群体相对策略优化（GRPO）进行训练，以最大化由以下部分组成的奖励 $R(s, a)$ $R (s, a)$ ：
  1. 格式奖励 ( $R_{Fmt}$ )： 确保输出是可解析的。
  2. 有效性奖励 ( $R_{Valid}$ )： 鼓励添加来自训练集的基因，并移除不在原始邻域中的基因。
  3. 性能奖励 ( $R_\Delta$ )： 激励相对于基准知识图谱预测器在 Pearson Delta 指标上的提升。
训练： LLM 在 Replogle 等人 (2022) 的细胞系扰动数据上进行训练，并采用严格的训练/测试集划分，以确保在未见过的扰动上进行评估。

3. 核心贡献

简单基准模型的证明： 本文证实了基于生物知识图谱的简单 $K$ -最近邻预测器是针对 OOD 扰动预测的一个极具竞争力的基准，其表现优于大多数复杂的深度学习方法。
LLM 作为精炼先验： 作者证明了通过强化学习优化后的 LLM 可以有效地编辑知识图谱的邻域（添加缺失的关系并剔除无关的关系），从而提升预测性能。
达到最先进水平（SOTA）的性能： 经过 RL 微调的 LLM 在 Replogle 等人 (2022) 细胞系上的性能达到了与当前 SOTA 方法（特别是 TxPert）相当的水平，尽管其起始架构仅为简单的最近邻模型。
下游泛化能力： 研究表明，RL 训练提高了 LLM 在下游任务（具体为 PerturbQA 基准测试中的差异表达预测）上的性能，这表明模型学习到了通用的推理模式，而非仅仅是对特定预测任务的过拟合。

4. 结果

基准测试表现： 在来自 Replogle 等人 (2022) 的四种细胞系（K562、RPE1、HEPG2、Jurkat）上，经 RL 训练的 LLM ($LLM + KG + RL$) 取得了与 TxPert 相当的 Pearson Delta 分数（例如在 K562 上为 0.625 vs 0.626），并显著优于未经训练的 LLM 和原始知识图谱基准。
OOD 泛化： 该方法能够泛化到未见过的扰动，即使特定的基因敲除在训练集中不存在，仍能保持高性能。
迁移学习： 当仅在三种细胞系上进行训练时，该模型在处理留出的细胞系（K562）时仍然比基础模型有所提升，这表明了跨细胞系的推理策略具有泛化性。
下游任务： 在 PerturbQA 数据集（Wu 等人）上，经过后训练的模型在预测差异表达和变化方向方面优于基础 LLM，即使没有针对该任务进行特定的微调。

5. 意义与主张

本文声称生物知识图谱是有效的模型先验，并且利用这些先验的最简单模型（最近邻）具有惊人的鲁棒性。其主要意义在于展示了强化学习可以将 LLM 精炼为通用的工具，用于处理复杂的生物预测。

作者认为，虽然 RL 训练计算成本高昂，且对于立即进行预测而言未必是最实用的部署方法，但它作为一个概念验证：

它验证了 LLM 在基因关系方面拥有超越其显式编码在静态知识图谱中的有意义的预测信号。
它证明了 RL 可以将 LLM 调整为作为基因邻域变化的后验分布，有效地学习一种选择预测性基因集的策略。
它强调了预测性能的提升可以迁移到下游的推理任务中，这为构建更稳健的“虚拟细胞”模型指明了路径。

作者保持了谦逊的态度，指出了局限性，例如 RL 的计算成本以及对特定细胞系训练集的依赖，这阻碍了在全新细胞系中的真正“零样本”（zero-shot）预测。他们并不声称已经完全解决了泛化问题，而是展示了一条利用先进语言模型推理能力来精炼简单、可解释模型的可行路径。