🧬 biology

CAPRA predicts single-cell transcriptional responses to genetic perturbations with response anchoring and residual correction

该论文介绍了 CAPRA，这是一种新型的响应锚定模型，通过结合对照状态、基因嵌入和学习到的修正项来预测单细胞对遗传扰动的转录响应，从而在单基因和双基因任务中均比现有方法实现了更高的准确性和可解释性。

原作者： Dong-Qing Wei, Zhongcheng Fang, Qi Gao, Yajing Yuan, Han Wang, Hong Tan, Jiayi Li, Zhennan Peng, Lan Yang, Mengyuan Jin, Heqi Sun, Yufang Zhang

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dong-Qing Wei, Zhongcheng Fang, Qi Gao, Yajing Yuan, Han Wang, Hong Tan, Jiayi Li, Zhennan Peng, Lan Yang, Mengyuan Jin, Heqi Sun, Yufang Zhang

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，你是一名试图在一个繁忙城市中破解谜团的侦探：这座城市是一个活生生的细胞，街道上挤满了成千上万的小型工人，被称为“基因”。有时，某个特定的工人病倒了或被移除了（即“基因扰动”），整个城市的行为就会发生改变。科学家们开发了一种名为“单细胞筛选”的高科技摄像机，可以捕捉城市在移除一名工人前后的快照，清晰地展示出那个街区是如何做出反应的。这对于理解疾病和寻找疗法极其有用。

然而，存在一个巨大的问题：城市规模太大，且可能生病的工人组合方式是天文数字。在实验室里测试每一种可能的组合将耗费永恒的时间并花费巨额的资金。因此，科学家们尝试构建“水晶球”——即通过计算机程序来猜测如果移除某个工人会发生什么。有些水晶球利用复杂的数学来学习城市的通用“氛围”，而另一些则试图绘制工人之间的关系图。但问题在于，当这些程序做出预测时，它们往往隐藏了自己为何做出该预测的原因。它们给了你一个答案，但你却看不见它们得出结论所依据的证据。这就像一名侦探说：“我知道是管家干的，”却拒绝向你展示指纹或不在场证明。这使得人们很难信任这种预测，因为计算机只是基于模糊的相似性在进行猜测。

于是，由上海交通大学研究人员推出的新工具 CAPRA 登场了，它通过拒绝隐藏工作流程来改变游戏规则。你可以把 CAPRA 不仅仅看作是一个神奇的水晶球，而是一个非常诚实、透明的侦探，它会在你面前循序渐进地构建它的案情。

CAPRA 并不直接猜测最终结果，而是从一个“控制锚点”（Control Anchor）开始。想象一下，你有一张完美的、未受干扰的城市照片（控制状态）。当你想要预测移除特定工人后会发生什么时，CAPRA 首先会寻找在过去移除一个相似工人时所产生的照片。如果它在数据库中找到了精确匹配，它就会以此作为起点。如果找不到精确匹配，它会利用一个智能系统（称为 GenePT）在库中找到最近的邻居，并将其作为“最佳猜测”锚点。这就是响应锚定（Response Anchoring）部分：它在说，“这是我开始研究的证据。”

但 CAPRA 知道，相似的工人并不等同于完全相同的工人。也许这个新工人有着不同的性格，或者在城市的不同区域工作。因此，CAPRA 增加了第二步，称为残差修正（Residual Correction）。它会追问：“好吧，我已经有了这张初始照片，但当前特定情境的变化是如何影响情况的？”它会计算那些微小的差异——即“残差”——以便对初始照片进行微调，使其完美契合新的场景。

研究人员在 13 个不同的数据集上，针对单工人移除和双工人移除的情况，将这个新侦探与其他著名的“水晶球”（如 Scouter、GEARS 和 scGPT）进行了对比测试。结果显示，CAPRA 在预测变化方向方面最为准确。简单来说，如果真实的城市变得更吵闹了，CAPRA 就会预测它会变吵；而其他工具有时会误判为变安静或保持沉默。即使在工具必须猜测从未见过的工人组合时，这一结果依然成立。

其中一个最令人兴奋的发现是 CAPRA 如何处理城市的“噪声”。当科学家试图找出哪些基因受到变化影响时，他们通常使用一种统计检验，如果计算机的预测过于完美或过于平坦，这种检验就会产生困惑（即所谓的“方差坍缩”问题）。CAPRA 的特别之处在于，它生成的预测细胞仍然保留了现实的“抖动”或自然变异，就像真实的细胞一样。这使得研究人员能够对 CAPRA 的预测运行标准测试，并成功识别出受影响的基因，而其他方法在这一点上表现挣扎。

研究人员还对 CAPRA 进行了拆解，以观察哪一部分承担了主要工作。他们发现，“锚点”（初始照片）完成了大部分工作，提供了一个强有力的假设。然而，“残差修正”在初始照片并非完美匹配时至关重要，它像是一个精细调节旋钮，修正了预测。这种透明度是关键所在：CAPRA 告诉您，“我从这些证据开始，并做了这些具体的调整。”

总之，CAPRA 不仅仅给您一个数字；它给您讲述一个故事。它展示了它所使用的证据（锚点）以及它所做的调整（修正）。通过保持过程的可视化并考虑到生物数据的自然杂乱性，CAPRA 提供了一种更可靠的方式来预测细胞对基因变化的反应，从而帮助科学家在无需进行盲目猜测的情况下，优先确定下一步应该进行的实验。

技术摘要：CAPRA —— 控制锚定扰动残差架构

问题陈述
单细胞扰动筛选（如 Perturb-seq、CROP-seq）将遗传干预映射到细胞状态，但由于成本和吞吐量的限制，实验覆盖范围仍然稀疏。这在组合（多基因）扰动中尤为严重，因为其搜索空间呈指数级增长。虽然存在计算方法可以进行外推，但它们面临两个主要局限性：

证据透明度不足： 现有的预测器（使用潜在表示、基因图谱或基础模型）往往会将支持预测的具体响应证据吸收进潜在的模型表示中。这使得很难区分哪些预测是基于已测量的单基因效应，哪些主要是由外推或语义相似性驱动的。
下游分析中的方差坍缩： 当预测细胞被传递到标准单细胞工作流（如 Scanpy）进行差异表达基因（DEG）调用时，预测细胞的变异性往往会发生坍缩。这会导致即使在平均响应排名保留信号的情况下，微小的均值变化也会导致夸大的统计量，从而导致受影响基因的恢复失败。

方法论：CAPRA 架构
作者引入了 CAPRA（控制锚定扰动残差架构），这是一种响应锚定的模型，旨在使预测支持显式化并为下游分析保留变异性。该架构分为三个阶段运行：

响应锚定构建：
- 对于给定的扰动，CAPRA 采样一个控制状态 ( $\mu_{control}$ ) 以定义基线。
- 它构建一个表达空间的响应锚点 ( $\Delta_{anchor}$ )，代表预期的扰动效应。
- 精确支持： 如果扰动基因在训练库中有观察到的单基因效应，则使用该精确效应。
- 检索支持： 如果不存在精确效应，CAPRA 会从 GenePT 嵌入空间中检索最近邻的单基因响应（使用基于 GenePT 向量的 K-最近邻）。
- 对于双基因扰动，槽级锚点进行求和 ( $\Delta_{GA} + \Delta_{GB}$ )。
- 至关重要的是，模型将锚点的溯源（精确 vs. 检索）作为元数据记录下来。
锚定条件下的残差修正：
- 模型学习一个残差修正，根据上下文和组成来优化锚点。
- 一个共享的低秩响应算子学习相对于锚点的偏离，该过程以控制状态 ( $Z_0$ )、锚定支持特征以及响应锚点本身为条件。
- 加性残差： 捕捉上下文特定的修正。
- 配对残差（仅限双基因）： 一个对称路径捕捉无法通过简单求和解释的特定基因对相互作用效应。
预测组装与校准：
- 最终的图谱在表达空间中组装而成： $X_{pred} = \mu_{control} + \Delta_{anchor} + \lambda_{add}r_{add} + \lambda_{pair}r_{pair}$ 。
- 方差校准： 为了防止方差坍缩，CAPRA 返回确定性的、经过控制规模校准的预测细胞。它添加了源自控制规模统计数据的可复现的内条件变异性 ( $\sigma_{cal}$ )，而不是从测试集中学习方差。这确保了与基于 t 检验的 DEG 调用工作流的兼容性。

核心贡献

显式响应证据： 不同于潜在空间模型，CAPRA 暴露了“初始假设”（锚点）及其来源（测量 vs. 检索），将预测性能与显式的响应证据联系起来。
混合锚定策略： 它有效地结合了精确的实验数据与语义检索（通过 GenePT），用于处理缺乏直接训练支持的基因，并利用残差修正将这些锚点适配到特定上下文中。
校准推理接口： 模型提供的预测细胞保留了内的变异性，使得标准的差异表达恢复工作流能够正常运行，而这些工作流在其他生成模型中通常会失效。

结果
作者在 13 个遗传扰动数据集（9 个单基因，4 个双基因）上评估了 CAPRA 对抗最先进的方法（Scouter, GEARS, GenePert, scGPT）。

响应方向预测： CAPRA 在单基因（0.592）和双基因（0.728）任务中均实现了最高的平均 PCC-delta（针对前 100 个 DEG 的控制中心化变化的皮尔逊相关系数），优于 Scouter 和其他基准模型。
稀疏支持下的泛化能力： 在双基因任务中，CAPRA 在“seen2”（两个基因均已见过）、“seen1”（一个基因见过）和“seen0”（两个基因均未见过）类别中均保持了卓越的性能。即使在依赖 GenePT 邻近锚点和残差适配的 “seen0” 场景下，这种优势依然存在。
特异性： 即使使用“扰动参考”评分策略（以平均扰动状态而非控制状态为中心以移除共享的后扰动结构），CAPRA 仍保留了最高的响应方向信号，表明它捕捉到了超越共享模式的扰动特有信息。
受影响基因恢复： 在标准的 Scanpy t 检验工作流中，非 CAPRA 方法由于方差坍缩显示出接近零的 Jaccard 恢复率。CAPRA 的校准细胞实现了显著更高的 Jaccard 分数（单基因为 0.093，双基因为 0.174），成功恢复了受影响的基因特征。
组件分析： 消融研究证实，响应锚点提供了主要的假设（尤其是在单基因任务中），而残差修正在单基因支持不完整或建模基因对相互作用时最为关键。

意义
论文声称 CAPRA 通过使支持预测的证据可检查，解决了当前扰动预测中的“设计差距”。通过将测量的/检索的响应锚点与学习到的修正分离，CAPRA 允许研究人员根据底层证据的质量来优先考虑未测量的遗传干预。此外，通过解决方差坍缩问题，它使得直接使用预测细胞进行标准差异表达流水线成为可能，弥合了计算预测与实验验证工作流之间的鸿沟。作者指出，虽然目前的研究是回顾性的，但该框架旨在支持未来的前瞻性选择扰动以及向其他模态（如化学扰动、多模态读数）的迁移。

技术摘要：CAPRA —— 控制锚定扰动残差架构

类似论文