MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs

本文提出了 MAP 框架，通过构建大规模细胞扰动知识图谱并采用知识驱动的预训练策略，将分子结构、蛋白序列与机制描述统一嵌入，从而实现了在缺乏实验数据的情况下对未表征药物诱导的单细胞响应进行零-shot 预测，显著提升了泛化能力并成功筛选出潜在的抗癌药物。

要点

这篇论文介绍了一个名为 MAP 的新人工智能框架，它的核心任务是预测药物如何影响人体细胞。

为了让你更容易理解，我们可以把细胞想象成一个巨大的、复杂的城市，把药物想象成进入城市的“访客”。

1. 以前的难题：盲人摸象

在以前，科学家想预测一种新药（新访客）进入城市（细胞）后会发生什么，主要靠“死记硬背”：

• 老方法：如果数据库里记录过“访客 A"来过，我们就知道他会去哪个街区、破坏哪栋楼。但如果来了一个从未见过的“访客 B"，或者一个从未见过的“城市区域”，老模型就懵了。
• 原因：以前的模型把每种药仅仅当作一个没有含义的编号（比如"Drug-001"）。它们不知道 Drug-001 和 Drug-002 长得像，也不知道它们都攻击同一个目标。这就像你只记得“张三”和“李四”的名字，却不知道他们都是“爱吃辣的厨师”，所以无法推断出李四可能也会做辣菜。

2. MAP 的解决方案：给 AI 一本“超级百科全书”

MAP 框架的核心创新在于，它不再把药物当作冷冰冰的编号，而是给 AI 装了一本巨大的、结构化的“生物知识百科全书”（论文中称为 MAP-KG）。

• 这本百科全书里有什么？
  • 它连接了 18.7 万种药物 和 2.3 万个基因。
  • 它记录了药物和基因之间的关系（比如：药物 A 是基因 B 的“抑制剂”，就像警察抓住了小偷）。
  • 它甚至包含了文字描述（药物的作用机制、基因的功能说明），就像给每个角色都写了详细的“人物小传”。

3. 它是如何工作的？（三个步骤）

第一步：建立“关系网” (MAP-KG)

想象一下，MAP 把药物、基因和它们之间的互动关系画成了一张巨大的社交网络图。

• 如果两种药长得像（化学结构相似），或者它们都攻击同一个基因，它们在图上就会靠得很近。
• 这就像在社交网络上，如果你知道“张三”是“厨师”，而“李四”也是“厨师”，即使你从未见过李四做饭，你也能推测他可能也会做类似的菜。

第二步：让 AI“通读”百科全书 (预训练)

在正式预测之前，MAP 先让 AI 模型去“阅读”这本百科全书。

• 它把药物的化学结构（像分子式）、基因的文字描述、以及它们之间的关系，全部翻译成 AI 能懂的统一语言（向量嵌入）。
• 比喻：这就像让 AI 先熟读《三国演义》，知道“关羽”和“张飞”是兄弟，都擅长用刀。这样，当它遇到一个从未见过的“新武将”时，只要知道他也擅长用刀，就能推测他可能也是“兄弟帮”的一员。

第三步：预测“新访客”的影响 (零样本预测)

现在，当科学家拿一种从未在实验中测试过的新药（比如一种刚合成的抗癌药）来问 AI 时：

• 以前的模型会说：“我没见过它，我猜不到。”
• MAP 会说：“虽然我没见过它，但我知道它的化学结构很像‘阿司匹林’，而且它的作用机制是‘抑制线粒体’。根据我的百科全书，抑制线粒体的药物通常会让细胞产生某种特定的反应。所以，我预测这种新药也会引发类似的反应。”

4. 结果有多厉害？

论文在多个大型数据集上测试了 MAP，发现它非常强大：

• 未见过的组合：即使药物和细胞类型的组合是全新的，MAP 也能猜得很准。
• 完全陌生的药物：即使这种药在训练数据里完全没出现过（零样本），MAP 依然能准确预测它如何改变细胞的基因表达。
• 实际应用：在模拟筛选肺癌药物时，MAP 成功从一堆未测试的药物中，把 5 种已批准的抗癌药中的 4 种排在了最前面。这意味着它能帮科学家更快地找到救命药，省去了大量昂贵的实验。

总结

MAP 就像是一个拥有“超级生物常识”的侦探。
以前的 AI 像个只会查字典的机器，查不到就瞎猜；而 MAP 像个经验丰富的老医生，它读过无数医学书，了解药物和人体基因的“人际关系”。所以，哪怕面对一个全新的病人（细胞）和一种新药，它也能根据已有的知识，精准地推断出治疗结果。

这项技术有望大大加速新药研发，让“虚拟筛选”变得像查天气预报一样可靠，从而降低药物研发的成本和时间。

技术摘要

这是一篇关于MAP (Mechanism-Aware Perturbation response predictor) 的论文详细技术总结。MAP 是一个知识驱动的框架，旨在预测单细胞对未 profiling（未进行转录组 profiling）药物的反应，从而构建更通用的“虚拟细胞”。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：构建“虚拟细胞”（Virtual Cells）的目标是预测细胞在新型扰动下的转录组反应。然而，现有的单细胞扰动图谱（Perturbation Atlases）仅覆盖了极小部分的化合物空间。
• 现有局限：
  • 现有模型通常将药物视为独立的分类标识符（Isolated Identifiers），缺乏对药物之间机制关系的编码。
  • 这导致模型难以泛化到未 profiling 的药物（Unprofiled Drugs）或未见过的细胞类型 - 药物组合。
  • 现有的基于分子结构或靶点的条件化方法虽然能部分支持分布外预测，但缺乏统一的接口来整合多样化的生物证据（如 SMILES 字符串、蛋白序列、通路成员资格、自由文本机制描述等）。
• 目标：开发一种能够利用结构化生物知识，在缺乏转录组数据的情况下，准确预测新型化合物对单细胞转录组影响的模型。

2. 方法论 (Methodology)

MAP 框架主要由三个核心部分组成：

2.1 MAP-KG：大规模生物医学知识图谱构建

• 数据整合：整合了 14 个 公共权威资源（如 PubChem, DrugBank, ChEMBL, BioGRID, STRING 等）。
• 规模：包含 187,089 种药物、22,924 个基因以及 694,246 个机制性三元组关系。
• 节点与边：
  • 节点：药物（Drug）和基因（Gene）。
  • 属性：
    • 药物：SMILES 结构、名称、作用机制（MOA）文本描述、治疗功能。
    • 基因：氨基酸序列、功能注释文本、通路描述。
  • 关系：药物 - 基因（如抑制、激活）、基因 - 基因（如蛋白互作、调控）。
  • 特点：利用自然语言文本作为语义桥梁，连接异构属性（如 SMILES 和蛋白序列），并保留关系的语义细微差别。

2.2 知识驱动的多模态预训练 (Knowledge-driven Pre-training)

• 编码器设计：采用模态特定的编码器处理不同来源的数据：
  • 文本编码器 ($\Phi_{text}$)：基于 BioBERT，处理药物/基因的名称、MOA 和功能描述。
  • 分子编码器 ($\Phi_{mol}$)：基于 MoleculeSTM，处理 SMILES 结构。
  • 蛋白编码器 ($\Phi_{seq}$)：基于 ESM-2，处理氨基酸序列。
• 对比学习策略：
  • 节点内对齐 (Intra-node)：将同一实体的不同模态属性（如 SMILES 和 MOA 文本）在嵌入空间中拉近，使其与名称文本表示一致。
  • 节点间关系对齐 (Inter-node)：利用关系条件化的实体嵌入（Relation-conditioned entity embeddings），将药物与其靶点基因在嵌入空间中拉近。
  • 目标：通过 InfoNCE 损失函数，将异构证据映射到统一的嵌入空间，使具有相似机制的实体在几何空间上形成紧密簇。

2.3 知识引导的扰动响应预测 (Knowledge-guided Perturbation Response Prediction)

• 架构：将知识增强的药物和基因表示与预训练的单细胞基础模型（Single-cell Foundation Model, 如 STATE）相结合。
• 流程：
  1. 输入未扰动细胞的基因表达谱，通过基础模型获取细胞状态嵌入 ($h$) 和基因嵌入 ($T$)。
  2. 将知识增强的基因嵌入 ($Z_{seq}$) 与 $T$ 融合。
  3. 将药物的知识嵌入（基于 SMILES 和剂量缩放）与细胞状态、融合后的基因嵌入拼接，输入 Transformer 编码器。
  4. 输出扰动后的细胞嵌入，并通过解码器预测扰动后的基因表达谱。
• 训练目标：双重监督，既匹配数据空间的表达谱，也匹配基础模型潜在空间的细胞嵌入，以缓解单细胞数据的噪声。

3. 主要贡献 (Key Contributions)

1. MAP-KG 知识图谱：构建了迄今为止规模最大的、面向细胞扰动建模的生物医学知识图谱，统一了 14 个数据源，提供了机制感知的先验知识。
2. 机制感知的预训练策略：提出了一种多模态对比预训练方法，成功将分子结构、蛋白序列和文本描述对齐到统一空间，生成了可迁移的、机制感知的药物和基因嵌入。
3. 零样本（Zero-shot）泛化能力：实现了在未见过的细胞类型 - 药物组合以及完全未 profiling 的药物（训练集中无任何转录组数据）上的零样本预测，显著超越了现有基线模型。
4. 功能可解释性：模型不仅能预测基因表达，还能在通路水平（GSEA）上生成与已知生物学机制一致的程序，支持虚拟筛选和药物重定位。

4. 实验结果 (Results)

在 Tahoe-100M、SciPlex3 和 OP3 三个大规模数据集上进行了评估：

• 未见细胞类型 - 药物组合 (Unseen Cell Line-Drug Combinations)：
  • 在 Tahoe-100M 上，MAP 相比最强基线 (CRISP)，Top-50 DEG 的 Pearson Delta 相关性提升了 13.3%，方向准确率提升了 13.5%。
  • 在 SciPlex3 和 OP3 数据集上也表现出一致的显著提升。
• 未 profiling 药物 (Unprofiled Drugs)：
  • 这是更严格的设置（训练集中完全移除该药物的所有扰动数据）。
  • MAP 在 Tahoe-100M 上相比基线，Top-50 DEG Pearson Delta 相关性提升了 12.2%，方向准确率提升了 21.0%。
  • 证明了仅凭分子属性和知识图谱即可实现有效的零样本预测。
• 虚拟筛选与功能分析 (A-549 肺癌模型)：
  • 在 58 种未 profiling 的候选药物中进行虚拟筛选，MAP 成功将 4 种 已批准的抗癌药物（Adagrasib, Afatinib 等）排在前列。
  • 通路水平的 GSEA 分析显示，MAP 预测的通路富集方向（NES）与实验观测值高度一致，准确捕捉了药物对 NF-κB、KRAS 等关键通路的调控。
• 消融实验：
  • 知识规模：随着知识图谱规模从 PrimeKG 扩展到 MAP-KG，性能单调提升。
  • 知识多样性：移除任何一类知识（如药物 - 基因边、文本描述）都会导致性能下降，其中移除药物 - 基因边影响最大。

5. 意义与影响 (Significance)

• 突破数据瓶颈：MAP 证明了引入结构化生物知识是解决单细胞扰动预测中“数据稀疏”和“分布外泛化”难题的关键。它提供了一种与数据规模扩展正交（Orthogonal）的改进路径。
• 加速药物发现：通过高精度的零样本预测，MAP 能够显著降低早期药物筛选的成本和时间，特别是在处理全新化学实体（Novel Chemical Entities）时。
• 构建虚拟细胞：该工作为构建真正通用的“虚拟细胞”奠定了坚实基础，使得在缺乏实验数据的情况下，也能可靠地推断细胞对复杂生物环境的反应。
• 可解释性：模型不仅提供数值预测，还通过通路分析提供了生物学机制层面的解释，增强了临床转化的可信度。

总结：MAP 通过构建大规模知识图谱并利用多模态对比学习，成功将生物机制知识注入到单细胞预测模型中，显著提升了模型在未见药物和细胞环境下的泛化能力和预测精度，为 AI 驱动的药物发现和虚拟细胞构建提供了新的范式。