💻 生物信息学

RAPTORGraph: graph-based pathway modeling for causal discovery in single-cell perturbations

RAPTORGraph 是一种新型的基于图的变分自编码器，它将精选的生物通路与最优传输对齐相结合，以消除干预溢出并实现可识别的因果发现，从而提高对单细胞实验中未见扰动和非加性相互作用的预测能力。

原作者： Adhisantoso, Y. G., Schröder, S. K., Gress, M., Hernaez, M., Voges, J.

发布于 2026-11-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Adhisantoso, Y. G., Schröder, S. K., Gress, M., Hernaez, M., Voges, J.

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

细胞是生命的基本单位，每个细胞都携带一套复杂的指令，这些指令由基因编写，决定了生物体如何生长、运作以及对环境做出反应。科学家们长期以来一直试图理解这些基因是如何相互作用的，就像试图弄清楚在黑暗庞大的建筑中拨动一个单一开关会如何影响其他房间的灯光一样。为了实现这一目标，研究人员使用强大的工具来刻意破坏特定的基因，这一过程被称为“扰动”（perturbation），然后观察细胞行为的变化。这种方法是现代生物学和药物研发的核心，为绘制生命的隐藏机制提供了一种途径。然而，由于基因有成千上万个，且它们的组合方式近乎无限，在实验室中测试每一种可能的场景是不可能的。这种局限性促使科学家构建计算机模型，以预测细胞对从未见过的遗传变化的反应。挑战在于，如何创建不仅准确而且透明的模型，让研究人员能够理解预测背后的“为什么”，而不仅仅是接受一个“黑箱”式的答案。

一项新研究引入了一个名为 RAPTORGraph 的复杂计算机框架，旨在解决困扰该领域以往尝试的两个主要问题。第一个问题是研究人员称之为“干预溢出”（intervention spillover）的现象。在许多现有模型中，当科学家告诉计算机改变一个特定基因时，模型的内部逻辑会变得混乱，将这种变化扩散到许多不同的隐藏变量中，而不是将其隔离在单一原因之下。这就像拨动一个电灯开关却导致整栋建筑的布线发生不可预测的闪烁，使得人们无法将效应追溯到源头。第二个问题被称为“均值坍缩”（mean collapse）。由于无法观察到完全相同的细胞在遗传变化前后的状态，研究人员通常必须将不同的细胞进行配对来训练他们的模型。如果这些配对是随机进行的，模型往往只会学习整个群体的平均行为，从而抹平了单个细胞独特且多样化的反应。这抹杀了科学家试图理解的生物多样性。

为了解决这些问题，该团队构建了一个模型，强制要求在计算机的内部表示中，目标基因与其效应之间建立清晰的一对一连接。他们通过构建模型的学习过程来实现这一点，使得特定基因的变化只能通过单一的、专门的路径进入系统。这种设计确保了模型可以隔离单个遗传变化的影响，保持信号的纯净和可解释性。一旦建立了这种纯净的信号，模型就会使用一个独立的学习步骤来研究这些孤立的变化是如何在生物过程网络中传播的。这使得系统能够在避免初始“溢出”造成的混乱后，学习基因之间复杂的现实世界关系。此外，为了防止细胞多样性的丧失，研究人员使用了一种数学技术，根据整体相似性而非随机配对，将对照细胞与受扰动细胞进行仔细匹配。这确保了模型保留了丰富的个体细胞反应，而不是坍缩为一个通用的平均值。

在利用涉及人类白血病细胞的实验真实数据进行测试时，这一新框架证明了其高度的有效性。它成功预测了细胞对从未遇到的遗传变化的反应，包括两个基因同时被改变的复杂场景。在这些情况下，模型能够识别出“非加性相互作用”（non-additive interactions），即两个变化的结合效应不同于仅仅将它们的个体效应相加。例如，模型正确识别出某些基因组合会导致细胞分裂完全停止（即细胞周期停滞），这是由特定的生物程序驱动的。研究人员还证明了该模型可以反向工作：给定一个特定的细胞结果，它可以建议哪些遗传变化可能是其原因。这种能力对于产生新的假设和指导未来的实验至关重要。

这项研究证实，通过遵循因果逻辑的规则——确保原因被隔离且效应被准确追踪——计算机模型可以成为强大的发现工具。研究人员发现，他们的方法不仅达到了现有最佳方法的预测准确度，还为驱动这些预测的生物机制提供了一个清晰的窗口。通过避免纠缠信号和平均化数据的陷阱，RAPTORGraph 提供了一种以更高清晰度探索广阔遗传相互作用景观的方法。这项工作表明，通过适当的架构约束，计算机可以帮助科学家超越仅仅预测结果，转而真正理解塑造生命的因果链，从而可能加速寻找新疗法和更深层次生物学洞察的过程。

技术摘要：RAPTORGraph

问题陈述
目前的预测细胞对遗传扰动反应的计算模型在因果发现和生物学可解释性方面面临两个主要的局限性：

干预溢出（Intervention Spillover）： 现有的因果表示学习（CRL）模型，如 DiscrepancyVAE (dVAE) 和 SENA，通常依赖于稠密编码器（例如 MLP）。在这些架构中，高维观测空间中单个基因的稀疏干预会通过网络传播，在潜空间中产生稠密的、多节点的信号。这种“溢出”违反了原子化、单节点干预的理论要求，使得唯一识别干预的潜目标变得不可能，从而导致因果可识别性（causal identifiability）变得病态。
均值坍缩（Mean Collapse）： 单细胞 RNA 测序（scRNA-seq）具有破坏性，无法获得同一细胞在扰动前后的配对观测。现有方法通常被迫采用随机配对控制组和扰动组细胞进行训练。这迫使模型去最小化任意配对之间的误差，导致它们学习的是群体平均响应，而非保留细胞多样性，这种现象被称为“均值坍缩”。
确认偏误（Confirmatory Bias）： 为了增强可解释性而引入精选生物通路（如 SENA）的模型往往会遭受确认偏误。它们受限于通过预先存在的注释来解释数据，可能因此丢弃位于已知通路之外的新颖信号，并且在不同细胞类型（其中通路特异性各异）之间难以泛化。

方法论
作者提出了 RAPTORGraph（基于可解释图的扰动转录组响应分析），这是一个 $\beta$ -变分自编码器框架，旨在满足因果可识别性的理论要求，同时保持预测精度。该架构由四个关键组件组成：

带预处理的图通路编码器（GraphPathway Encoder with Preconditioning）：
为了解决干预溢出问题，作者引入了一种新型编码器架构，强制实现扰动基因与潜变量之间的稀疏、一一对应映射。
- 预处理（Preconditioning）： 对输入基因向量进行排序，使扰动基因排在首位。编码器的主要权重矩阵被构造为一个分块矩阵，其中左上角子矩阵 ( $\Lambda_{11}$ ) 是严格对角的。这确保了每个的 $k$ 个扰动基因恰好影响前 $k$ 个学习到的元通路（meta-pathways）中的一个。
- 零块约束（Zero-Block Constraint）： 一个零块显式地防止了扰动基因影响剩余的 $(d-k)$ 个潜变量，从而将干预隔离到单个节点。
- 灵活性： 其余子矩阵是稠密的，允许模型学习未扰动基因与所有潜通路之间的复杂关系。
DAGMA 因果图学习：
不同于依赖预定义通路注释的方法，RAPTORGraph 使用 DAGMA（通过图形矩阵代数实现的微分无环性）框架来学习潜元通路的因果结构。
- 该模块学习一个代表稀疏通路活动之间因果关系的有向无环图（DAG）。
- 它利用基于对数行列函数的连续无环约束，实现对图结构的端到端优化，而不强制执行任意的层级顺序。
最优传输（OT）预处理：
为了解决均值坍缩问题，模型采用了离线最优传输步骤来配对控制组和扰动组细胞。
- 不同于随机配对，OT 根据分布相似性全局匹配细胞，从而保留底层的群体结构和细胞异质性。
- 这为控制组和扰动组样本之间提供了一个明确的映射，稳定了学习到的潜表示。
训练目标：
模型使用复合损失函数 ( $L_{total}$ ) 进行端到端训练，平衡四个部分：
- 重构损失 ( $L_{MSE}$ )： 忠实地重构基础（未扰动）细胞状态。
- KL 散度 ( $L_{KL}$ )： 将潜空间正则化以符合先验分布。
- 干预预测损失 ( $L_{MMD}$ )： 使用最大均值差异（Maximum Mean Discrepancy）来最小化预测的扰动细胞与真实分布之间的距离。
- 因果图损失 ( $L_{DAGMA}$ )： 强制执行学习到的因果图的无环性和稀疏性。

核心贡献

架构创新： 引入了预处理的 GraphPathway 编码器，从数学上强制执行了实现因果可识别性所需的稀疏、单节点干预要求，解决了干预溢出问题。
偏差缓解： 提供了一个直接从数据中学习因果元通路的框架，而非依赖于精选的生物通路，从而避免了确认偏误，并允许发现新的生物信号。
多样性保留： 集成了最优传输预处理以防止均值坍缩，确保模型保留细胞多样性，而不是回归到群体平均值。

结果
作者在 Norman et al. Perturb-seq 数据集和 Replogle et al. CRISPRi 数据集上，将 RAPTORGraph 与最先进的模型（SENA, scGPT, dVAE, 和 GEARS）进行了基准测试。

生成性能： RAPTORGraph 在重构保真度 (MSE) 和分布准确性 (MMD) 之间取得了良好的平衡。在 Norman 数据集上，它实现了 $0.112 \pm 0.001$ 的 MMD 和 $0.045 \pm 0.000$ 的 MSE，在保持具有竞争力的 MSE 的同时，在 MMD 上优于 SENA 和 scGPT。
非加性相互作用预测： 在预测复杂的遗传相互作用（协同、抑制、新饰性、冗余、上位性）方面，RAPTORGraph 在识别协同作用 (Precision@10 为 $0.367$) 和新饰性 (Precision@10 为 $0.433$) 方面表现出优于大多数基准模型的性能。作者指出，OT 预处理是预测冗余和上位性的关键驱动力。
反向扰动分析： 在执行识别观察到的表型背后的遗传原因（逆向工程）的任务时，RAPTORGraph 在识别相关基因（基因重叠命中率）方面表现出竞争力的性能，始终处于模型梯队的前列，尽管对于所有模型而言，精确匹配命中率仍然较低。
生物学可解释性： 对学习到的潜因子的基因集富集分析 (GSEA) 揭示了具有生物学意义的程序。例如，与 EGR1 相关的潜因子正确识别了分化诱导的细胞周期停滞（对“E2F Targets”和“G2-M Checkpoint”呈现负富集），以及与 JUN 相关的因子识别了应激诱导的生长停滞。

意义与主张
论文声称 RAPTORGraph 弥合了单细胞扰动建模中预测能力与机制洞察之间的鸿沟。通过显式解决干预溢出和均值坍缩问题，该框架实现了可识别的因果发现，且无需依赖可能存在偏差的预存生物通路注释。

作者强调，虽然模型强制执行单节点干预架构，但这是一种为了满足可识别性理论的建模要求，而非断言生物学扰动仅影响一个通路。然而，结果表明，这种架构约束使模型能够发现独特的、具有生物学意义的因果程序。这项工作将 RAPTORGraph 定位为一种工具，用于生成关于基因如何共同塑造细胞行为的可测试假设，并为指导信息丰富的实验选择提供支持，特别是在非加性遗传相互作用和药物靶点发现的背景下。作者承认了局限性，指出目前的泛化性证据在 Norman 数据集上最为强有力，且对于所有当前模型而言，精准定位高阶组合仍然是一个挑战。

技术摘要：RAPTORGraph

类似论文