Phenotypic reversion and target prioritization for cellular inflammation via representation learning with foundation models

该研究提出了一种利用单细胞基础模型（scFMs）和大规模 Perturb-seq 数据集的框架，通过结合基础与促炎刺激条件，成功识别并优先排序了能够逆转细胞炎症表型的关键基因靶点，为炎症相关疾病的药物发现提供了可扩展的机器学习驱动方案。

要点

这篇论文讲述了一个关于**“如何给生病的细胞‘治病’"**的有趣故事。研究人员利用最新的人工智能技术，试图找出哪些基因被“关掉”后，能让发炎的细胞恢复健康。

为了让你更容易理解，我们可以把整个过程想象成**“修复一座着火的森林”**。

1. 背景：森林着火了（细胞发炎）

想象一下，你的身体里有一片森林（血管内皮细胞）。正常情况下，森林郁郁葱葱，生机勃勃（基础状态）。
但是，因为某种原因（比如动脉粥样硬化），森林里刮起了两股强风：IL-1β 和 TNF-α。这两股风就像助燃剂，让整片森林着了火，树木变得焦黑、混乱，充满了烟雾（炎症状态）。

研究人员的目标是：找出哪些树木（基因）如果被砍倒（基因敲除/抑制），就能让森林重新变回郁郁葱葱的样子，把火扑灭。

2. 实验：制造“基因剪刀”大军

为了找到这些关键的树木，研究人员做了一件非常浩大的工程：

• 他们准备了 86 万 棵“小树”（细胞）。
• 他们制造了 1740 种 不同的“基因剪刀”（CRISPR 技术），每一把剪刀专门负责剪断森林中某一种特定的树木（基因）。
• 他们把这些剪刀撒进森林里，一半的森林保持原样（基础组），另一半则吹起那两股强风（炎症组）。
• 然后，他们给每一棵小树拍了高清照片（单细胞测序），记录下它们现在的样子。

3. 核心挑战：如何判断哪棵树被剪断后火灭了？

以前，科学家可能会像**“拿着放大镜找线索”**一样，一棵一棵地分析照片，看哪些树剪断后烟雾变少了。但这太慢了，而且容易漏掉细节。

这次，他们请来了三位**“超级侦探”**（三种不同的 AI 方法）来帮忙排序，看看谁找出的“关键树木”最靠谱：

侦探 A：传统的“对比分析师” (DE Approach)

• 方法：它拿着放大镜，仔细对比“着火森林”和“没着火森林”的照片，计算烟雾（基因表达）减少了多少。
• 缺点：它太依赖以前写好的“火灾手册”（已知的生物学通路）。如果火灾是以前没见过的类型，它可能就懵了。

侦探 B：AI 大模型“读心术” (Foundation Models / scFMs)

• 方法：这是论文的主角。它像是一个**“超级直觉大师”。它不需要看具体的“烟雾量”数字，而是直接看森林的“整体氛围”**。
  • 它把每一棵小树的照片压缩成一个**“灵魂指纹”**（高维潜在空间）。
  • 然后它问：“哪一棵树被剪断后，这片森林的‘灵魂指纹’最像原来没着火时的健康状态？”
  • 它不需要知道“火灾手册”里写了什么，它纯粹通过**“感觉”**（数据模式）来判断。
• 亮点：研究发现，scGPT 这个 AI 侦探表现最好！它找出的关键树木，和人类专家心里想的（那些真正能灭火的树）高度重合。

侦探 C：聊天机器人“老专家” (ChatGPT)

• 方法：它没看任何实验照片，只是读了人类写的书（文献），然后凭经验猜：“我觉得剪断 A、B、C 这几棵树应该能灭火。”
• 结果：它猜得也不错，因为它读过很多书。但它有点“书呆子气”，只依赖人类已有的知识，可能发现不了人类还没写进书里的新发现。

4. 关键发现：不仅要“看”，还要“在火里看”

研究中发现了一个非常重要的道理：

• 如果你只在没着火的森林里找关键树木（基础组），你很难找到真正能灭火的树。
• 只有在着火的森林里（炎症组）进行实验，AI 才能发现那些**“只有在火灾发生时才起作用”**的特殊树木。
• 比喻：就像你只有在下雨天才能发现哪把伞是真正防漏的。如果只在晴天测试，你根本分不清哪把伞好。

5. 结论：AI 是未来的“寻宝图”

这篇论文证明了：

1. AI 很厉害：利用“灵魂指纹”（潜在空间）的 AI 方法，比传统的“对比分析”和“查书”（ChatGPT）更能精准地找到能治病的基因。
2. 数据是宝藏：他们公开了这 86 万棵树的详细照片数据，就像给全人类提供了一张**“森林修复地图”**，让其他科学家也能用这张图去训练更聪明的 AI。
3. 未来可期：这种方法不需要人类预先知道所有知识，它可以直接从数据中“悟”出真理。这意味着未来我们可以用它去治疗那些人类还不太了解的疾病。

一句话总结：
研究人员用 AI 当侦探，在 86 万个细胞组成的“着火森林”里，成功找到了那些能“灭火”的关键基因。他们发现，让 AI 直接感受“火灾现场”的氛围，比让它拿着旧地图找路更管用。 这为未来开发新药提供了一条全新的、更聪明的捷径。

技术摘要

这是一份关于利用基础模型（Foundation Models）进行细胞炎症表型逆转和靶点优先排序的技术总结。

1. 研究背景与问题 (Problem)

在早期药物发现中，识别能够逆转疾病相关细胞表型（使其回归健康状态）的遗传扰动（如基因敲低）是一个核心挑战。

• 核心痛点：传统的靶点发现往往依赖于预先定义的通路或专家知识，缺乏数据驱动的、能够捕捉复杂细胞状态依赖性的方法。
• 具体场景：本研究聚焦于动脉粥样硬化相关的炎症。动脉粥样硬化斑块中的内皮细胞在白细胞介素 -1β (IL-1β) 和肿瘤坏死因子α (TNF-α) 的刺激下会进入促炎状态，导致粘附分子表达增加和单核细胞募集。
• 研究目标：利用大规模 Perturb-seq 数据集，结合单细胞基础模型（scFMs），寻找能够逆转这种促炎表型、使其回归未处理（基础）状态的基因靶点。

2. 方法论 (Methodology)

2.1 数据集构建 (Perturb-seq Dataset)

• 细胞模型：使用永生化的人动脉内皮细胞 (hTERT-immortalized human arterial endothelial cells, TeloHAEC)。
• 实验设计：
  • 扰动：针对 1,740 个独特的遗传靶点（其中 870 个与动脉粥样硬化相关）进行 CRISPRi 敲低。
  • 条件：设置了两种条件：
    1. 基础条件 (Basal/Untreated)：无细胞因子刺激。
    2. 炎症条件 (Inflammatory/Treated)：使用 IL-1β 和 TNF-α 刺激 24 小时，模拟动脉粥样硬化斑块内的炎症环境。
  • 规模：共包含 864,115 个单细胞，表达 38,606 个基因。
  • 质量：敲低效率高（中位数为 80%），测序深度深（中位 UMI 为 16,373）。

2.2 靶点排序策略 (Target Ranking Strategies)

研究比较了三种不同的方法来对能够逆转炎症表型的靶点进行排序：

1. 差异表达分析 (DE Approach)：
   • DE (Basal)：仅基于基础条件下的差异表达。
   • DE (Inflammatory)：结合炎症和基础条件，优先选择在炎症条件下显著下调通路但在基础条件下不显著的靶点（通过 GSEA 分析）。
2. 潜在空间相似性 (Latent Similarity Approach)：
   • 利用预训练的单细胞基础模型（scFMs），包括 scGPT、STATE 和 SCimilarity。
   • 将每个扰动后的单细胞转录组嵌入到高维潜在空间。
   • 计算扰动后的细胞表示与“未处理的对照组”表示之间的余弦相似度。
   • 相似度越高，意味着该扰动越能将细胞状态拉回健康（未炎症）状态，排名越靠前。
   • 作为对比，还使用了原始计数（Raw counts）和 UMAP 降维作为非 ML 的表示方法。
3. 基于大语言模型的推理 (LLM Approach)：
   • 使用 ChatGPT，仅基于实验背景描述（不涉及具体数值数据）进行提示工程，要求其对靶点进行排序。

2.3 评估指标

• 阳性对照富集 (Positive Control Enrichment)：使用一组已知与 TNF-α/IL-1β 信号通路强相关的基因（如 TNFRSF1A, TRADD, JUNB, NFKB1 等）作为“金标准”，计算不同排序方法中这些基因被排在前列的曲线下面积 (AUC)。
• 通路富集分析：检查排名靠前的靶点集合是否富集了与炎症相关的生物学通路（使用 Enrichr 和多个数据库如 KEGG, Reactome 等）。

3. 主要结果 (Key Results)

3.1 细胞状态依赖性

• 炎症刺激（IL-1β/TNF-α）对转录组产生了强烈的影响，形成了可区分的表型。
• 59% 的基因靶点在一种条件下表现出显著的差异表达，而在另一种条件下则没有。这表明细胞状态（State）对基因扰动效应具有决定性影响，仅使用基础条件数据无法有效识别疾病相关的靶点。

3.2 排序方法性能对比

• scGPT (潜在相似性) 表现最佳：
  • 在阳性对照基因富集任务中，scGPT 的 AUC 最高 (0.79)，显著优于其他方法。
  • 在相关通路富集任务中，scGPT 在前 30-100 个排名靶点中实现了 100% 的通路召回率。
  • 值得注意的是，scGPT 在训练时并未见过这些特定的阳性对照基因或通路信息，完全基于转录组数据的潜在表示进行推断。
• 其他 ML 方法：
  • 使用原始计数（Raw counts）作为特征嵌入的潜在相似性方法表现也不错 (AUC = 0.73)。
  • STATE 和 SCimilarity 模型在此任务上表现平平，说明不同基础模型的性能存在差异。
• DE 方法：
  • DE (Inflammatory) 表现尚可 (AUC = 0.69)，与 scGPT 有一定重合度。
  • DE (Basal) 表现极差 (AUC 接近随机)，再次证明仅靠基础条件数据无法解决疾病相关的靶点发现。
• ChatGPT：
  • 表现良好 (AUC = 0.70)，这归功于其预训练中包含的人类文献知识。但其排名与基于数据的 scGPT 并不完全一致，且受限于现有知识库，难以发现全新靶点。

3.3 生物学发现

• 基于 scGPT 的排序不仅富集了已知靶点，还富集了与 TNF-α/IL-1β 信号直接相关的生物学通路，且这些通路是在没有预先定义的情况下被“无偏”发现的。
• 研究证实，将疾病相关的刺激（炎症条件）纳入实验设计，对于识别关键调控靶点至关重要。

4. 关键贡献 (Key Contributions)

1. 大规模高质量数据集发布：公开了一个包含 86 万 + 细胞、1700+ 扰动、涵盖基础和炎症两种条件的 Perturb-seq 数据集，填补了该领域缺乏疾病相关刺激数据的空白。
2. 验证了 scFMs 在靶点发现中的潜力：证明了无需微调（Zero-shot）的单细胞基础模型（特别是 scGPT）能够仅凭转录组数据，有效识别出能够逆转疾病表型的基因靶点，且性能优于传统差异表达分析和部分其他模型。
3. 强调了“细胞状态”的重要性：通过对比基础和炎症条件，量化了细胞状态对扰动效应的调节作用，指出在药物发现中必须模拟疾病环境。
4. 提出了一种模型无关的框架：展示了一种基于潜在空间相似性的通用框架，可用于任何表型逆转任务，不依赖于预先定义的通路注释，减少了人为偏见。

5. 意义与局限性 (Significance & Limitations)

意义

• 加速早期药物发现：提供了一种数据驱动、可扩展的靶点优先排序方法，可能降低早期研发成本并提高成功率。
• 超越现有知识：与依赖文献的 LLM 或依赖已知通路的 DE 方法不同，scFMs 能够基于数据本身发现生物学规律，有助于发现超出当前人类认知的新靶点。
• 社区资源：释放的数据集和代码将促进生物医学 AI 领域的基础模型开发和基准测试。

局限性与未来方向

• 缺乏体内验证：目前的验证主要基于已知靶点的富集分析，尚未进行湿实验（体内/体外）验证高排名靶点的实际疗效。
• 模型系统限制：使用的是体外内皮细胞模型，可能无法完全模拟人体复杂的疾病微环境。
• 可成药性未考虑：仅基于表型排序，未考虑靶点的可成药性（Druggability）或潜在的副作用。
• 未来工作：计划对高排名靶点进行湿实验验证，并探索该方法在其他疾病表型中的应用。

总结：该研究成功证明了利用单细胞基础模型（scFMs）结合大规模 Perturb-seq 数据，可以在不依赖先验知识的情况下，精准识别逆转炎症表型的基因靶点。特别是引入疾病相关的刺激条件，显著提升了靶点发现的准确性，为下一代 AI 驱动的药物发现提供了强有力的概念验证。