💻 bioinformatics

scDRP: Disentangled representation learning for predicting single-cell responses to perturbations and estimating individual treatment effects

该论文引入了 scDRP，这是一个利用解耦表示学习和条件最优传输的生成式框架，用于从不匹配的单细胞扰动数据中准确估计个体化治疗效应并推断反事实细胞状态，从而揭示跨不同细胞类型和条件的异质性生物学机制。

原作者： Sun, J., Stojanov, P., Zhang, K.

发布于 2026-08-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Sun, J., Stojanov, P., Zhang, K.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正试图弄清楚一个人对新药的具体反应，但你拥有一台神奇且具有破坏性的相机，它只能在他们服药前或服药后拍一张照片，而不能两者兼得。你无法观察同一个人的变化过程，你只能观察一群人在服药前的情况，以及另一群人在服药后的情况。这就是现代生物学的令人沮丧的现实。科学家们使用“单细胞测序”来读取单个细胞内的遗传指令，但读取过程会破坏细胞。这使得观察同一个细胞的“前后”变化变得不可能，而这种变化对于理解不同细胞如何对同一治疗做出不同反应至关重要。

为了解决这个问题，科学家们依赖于一个概念——“个体治疗效应”（Individual Treatment Effects, ITE）。这就像是试图预测一名学生在学习之后在考试中的表现，即使你从未见过该学生参加考试。你必须根据其他相似学生的表现来进行推测。挑战在于，细胞是非常复杂的；它们有自己独特的“个性”（比如是肝细胞还是皮肤细胞）和自己的“情绪”（活跃程度）。如果你只看一整群人的平均反应，你就会错过每一个个体的独特故事。本文介绍了一种新的方法来理清这些故事，将细胞的永久身份与其对冲击的临时反应分离开来，从而让科学家能够预测如果某个特定细胞接受了治疗，它将会发生什么，即便他们永远无法真正看到它。

侦探的工具箱：认识 scDRP

认识一下 scDRP，这是一个由卡内基梅隆大学和布罗德研究所（Broad Institute）的研究人员开发的全新数字侦探工具。它的任务是解决生物学中的“失踪双胞胎”谜题。由于我们无法观察同一个细胞在受到化学或遗传攻击（即“扰动”）前后的状态，scDRP 为每个细胞构建了一个虚拟的双胞胎，以观察它本会如何反应。

以下是这个魔术表演是如何拆解为简单步骤的：

1. 大分离（解耦表示/Disentangled Representation）
想象每一个细胞都是一份复杂的食谱。部分食谱是“基础身份”（决定了什么是肝细胞，什么是皮肤细胞），另一部分是“反应”（当你去戳它时，该细胞如何尖叫、改变或适应）。
在过去，这两部分被混合在一起，成了一杯混乱的奶昔。如果你试图猜测反应，你也同时在猜测身份，反之亦然。scDRP 使用一种特殊的 AI（一种被称为 $\beta$ -VAE 的神经网络）将奶昔重新分解为其成分。它创建了两个截然不同的“潜在空间”（可以理解为两个不同的文件柜）：

柜子 U（身份）： 保存细胞的稳定特征，例如细胞类型。
柜子 D（响应）： 保存由处理引起的改变。
通过保持这些部分的独立，该工具确保在预测反应时，不会意外地将细胞的个性与它对药物的反应混淆。

2. 排名保持规则（条件最优传输/Conditional Optimal Transport）
一旦成分被分离，工具如何知道哪个“未处理”的细胞与哪个“已处理”的细胞相匹配呢？
研究人员使用了一个聪明的规则，称为分位数匹配（Quantile Matching）。想象一场比赛，跑步者按速度排列。如果你给每个人穿上一双沉重的靴子（即扰动），整个队伍可能会变慢，但原本排在第 95 位（最快）的人相对于其他人来说，仍然应该是第 95 位。
scDRP 假设，虽然处理可能会改变整个群体的行为，但一个细胞在其同类群体中的相对排名保持不变。它使用一种称为**最优传输（Optimal Transport）**的数学技术，将处于敏感性第 95 百分位数的未处理细胞，与处于第 95 百分位数的处理后细胞进行匹配。这创造了一个“反事实双胞胎”——一个经过转换的控制组细胞虚拟版本，使其看起来像是接受了处理，从而允许科学家计算出精确的差异（即个体治疗效应）。

3. 他们的发现：隐藏的模式
团队在合成数据（他们已知答案的数据）和真实的生物数据上测试了 scDRP。以下是他们的发现：

优于旧方法： 与其他方法相比，scDRP 在预测单个细胞的具体反应方面表现得更好，尤其是在反应复杂且具有非线性（不仅仅是简单的直线关系）的情况下。
揭示隐藏的群体： 通过观察成千上万个细胞的预测反应，他们可以将它们归类为“功能基因模块”（Functional Gene Modules, FGMs）。这些是协同工作的基因团队。
- 鼻病毒与烟雾： 在暴露于普通感冒病毒（鼻病毒）或香烟烟雾的肺细胞中，scDRP 发现不同类型的细胞以非常特定的方式做出反应。一些细胞激活了“纤毛”（微小的毛发结构）来清理自身，而另一些则开始了“细胞周期”以进行增殖。以往的方法忽略了这些精细的细节。
- 免疫反应： 当免疫细胞受到干扰素（一种抗病毒信号）的影响时，scDRP 显示出不同的免疫细胞（如 T 细胞与 B 细胞）承担着完全不同的工作。一些细胞专注于杀死病毒，而另一些则专注于管理压力或移动到身体的新位置。
- 白血病： 在慢性髓系白血病细胞中，他们发现利用 CRISPR（基因编辑）针对不同基因会触发不同的功能模块，揭示了这些癌细胞如何生存或死亡。

4. 预测未知
scDRP 最酷的功能之一是它能够猜测它尚未见过的场景中会发生什么。

剂量： 如果科学家知道细胞对低剂量和高剂量药物的反应，scDRP 可以平滑地插值（推测）出它从未测试过的中等剂量的反应。
组合： 如果你知道细胞分别对药物 A 和药物 B 的反应，scDRP 可以结合这些“反应向量”，来预测当两种药物同时使用时的反应强度。（注意：它可以预测反应的大小，但并不总是能预测基因是上升还是下降）。

核心结论
该论文表明，scDRP 是观察生物学“如果……会怎样”的一种强大新方式。通过将细胞的身份与其反应分离，并使用“保持排名”的匹配规则，它允许研究人员看到那些此前隐藏在平均值噪声中的、独特的、个体的细胞故事。虽然该方法依赖于某些假设（例如细胞的相对排名保持不变的观点），但模拟和现实世界的测试表明它运行良好，为我们在最基本的层面上观察生命如何应对变化提供了更清晰的视角。

技术摘要：scDRP：用于预测单细胞对扰动反应的解耦表示学习

1. 问题陈述

单细胞测序技术（如 Perturb-seq, sci-Plex）能够在大规模范围内分析各种化学或遗传扰动下的基因调控网络。然而，这些实验本质上是破坏性的，仅能提供不同条件下细胞的非匹配快照。因此，无法观察同一个细胞在扰动前后的变化，这为估计个体治疗效应（Individual Treatment Effects, ITE）——即单个细胞对处理的具体因果反应——制造了根本性的障碍。

现有方法面临两个主要局限性：

关注群体平均值： 像 scGEN 这样的框架预测的是群体平均反应，掩盖了对于理解复杂系统（如类器官中不同亚群反应各异）至关重要的异质性。
过度强假设： 像 CINEMA-OT 这样的方法假设扰动诱导的信号与混杂因素（如细胞类型）完全独立，并依赖于线性组合，忽略了控制细胞反应的复杂非线性关系和相互作用。

挑战在于如何从非匹配的群体数据中推断反事实状态（即一个对照组细胞在受到扰动后会如何反应），并估算 ITE，同时考虑到细胞类型特异性的异质性和非线性动力学。

2. 方法论：scDRP 框架

作者提出了 scDRP，这是一个结合了**解耦表示学习（disentangled representation learning）与条件最优传输（conditional optimal transport, OT）**的生成式框架，用于推断 ITE。

A. 解耦潜变量表示
scDRP 将高维基因表达谱 ( $x$ ) 建模为低维潜变量 ( $z$ ) 的函数，并将 $z$ 结构化为两个条件独立的子空间：

扰动不变身份 ( $z_u$ )： 捕捉稳定的内在属性（如细胞类型、成熟阶段）和混杂因素 ( $w$ )。
扰动诱导反应 ( $z_d$ )： 捕捉由扰动 ( $a$ ) 和混杂因素引起的变异。

为了学习这种分离，scDRP 采用了由以下项正则化的 $\beta$ -变分自编码器 ( $\beta$ -VAE)：

希尔伯特-施密特条件独立准则 (HSCIC)： 在给定混杂因素 $w$ 的情况下，强制要求 $z_u$ 与 $z_d$ 之间满足严格的条件独立性。
门控 $L_0$ 范数： 通过鼓励稀疏性来选择最优潜维度，并确保可识别性。

B. 用于反事实匹配的条件最优传输
为了生成反事实预测，scDR法必须将对照组细胞与其在扰动组中的“孪生”对应体进行匹配。该框架基于秩保持假设（rank-preserving assumption）：在同质亚群内（以 $w$ 或 $z_u$ 为条件），扰动会改变响应的分布，但会保留单个细胞的相对秩（分位数）。

这种匹配被公式化为一个在解耦潜空间中的条件最优传输问题。目标是找到一个最优耦合矩阵 $\Gamma^*$ ，以最小化传输代价：
$C(z_s, z_t) = \alpha \|z_s^u - z_t^u\|_2^2 + \beta \|z_s^d - z_t^d\|_2^2$

第一项 ( $\alpha$ ) 作为软约束，确保匹配的细胞具有相似的内在身份。
第二项 ( $\beta$ ) 是响应空间上的传输代价，等同于一维空间中的分位数匹配。

一旦找到最优耦合，便使用**重心投影（barycentric projection）**来生成反事实潜状态 ( $\tilde{z}$ )，随后通过解码来估计 ITE ( $\hat{\tau} = \tilde{x} - x$ )。

C. 下游分析与泛化

双聚类（Biclustering）： 使用双聚类 (BCPlaid) 对估计的 ITE 矩阵进行分析，以识别功能基因模块 (FGMs)——即表现出特定反应模式的基因和细胞组。
未观测剂量： 对于未观测到的扰动剂量，scDRP 利用高斯过程回归在潜空间上插值 $z_d$ 的均值和方差，随后进行残差修正以生成反事实结果。
组合效应： 该框架通过将单个 ITE 视为向量并应用向量合成（平行四边形法则）来推断组合扰动效应的大小。不过，它目前只能估计绝对量级，而非方向（上调/下调）。

3. 关键结果

论文通过模拟和四个真实数据集（Kang et al., Dong et al., Hagai et al., Norman et al.）验证了 scDRP 的性能：

模拟性能： 在估计 ITE 和条件平均治疗效应 (CATE) 方面，scDRP 在非线性设置以及细胞类型标签未知的情况下，始终优于 CINEMA-OT 和 scGEN。它能准确恢复地面真值配对和潜变量解耦。
真实数据预测： 在真实数据集中，scDRP 生成的反事实分布与观测到的处理分布高度重合（高 PCC、低 RMSE、低 MMD），而其他方法则存在显著差距。
生物学洞察：
- 鼻病毒与香烟烟雾： 对支气管类器官数据的重新分析揭示了细粒度的模式，识别出了纤毛生物发生和细胞周期进程的独特 FGM，而这些模式在之前的线性分析中被忽略了。
- 干扰素刺激： 在 PBMC 中，scDRP 解析了异质性的免疫反应，将特定的细胞类型（如 CD4+ T 细胞、单核细胞）与不同的功能模块（如抗病毒防御、凋亡、代谢调节）联系起来。
- CRISPR 扰动： 在 K562 白血病细胞中，该方法识别了主要的显性功能模块（MHC I 抗原提呈）以及特定的基因驱动分歧（例如 KLF1 将氧化应激与分化联系起来）。
泛化能力： 模型成功插值了未观测到的化学剂剂量的剂量-反应曲线，并估计了组合治疗效应的量级。

4. 重要性与主张

作者声称 scDRP 提供了一种原则性的计算方法，用于从单细胞扰动数据中提取异质性的因果关系。其重要性在于：

理论严谨性： 它为使用条件 OT 进行反事实匹配建立了严谨的假设，超越了启发式方法。
生物学分辨率： 通过将身份与反应解耦，它能够发现被群体平均方法所掩盖的细胞类型特异性功能基因模块和异质性机制。
多功能性： 该框架可泛化至未见的扰动剂量和组合，从而促进了 in silico（计算机模拟）扰动筛选和理性药物靶点发现。

论文承认了局限性，指出解耦依赖于无法仅从观测数据中验证的识别假设（条件独立性），且组合推理目前仅能恢复效应量级而非方向。未来的工作建议将时间/空间模态纳入其中，并扩展到 scATAC-seq 等其他数据类型。