单细胞基础模型与扰动预测-知识梳理

1. 为什么这个方向值得看

1.1 它在「虚拟细胞」叙事里的位置

「Virtual cell / 人工智能细胞」是 2024–2026 生物 AI 最被资本和期刊追捧的叙事之一。它的核心能力诉求就两个：

1. 表示：把一个细胞在某个状态下的全转录组压缩成稳定的低维向量（scFM 做的事）；
2. 预测：给定「干预」（基因敲除/激活、小分子、组合扰动），预测细胞状态会怎么变（扰动预测做的事）。

扰动预测是虚拟细胞从「看图」走向「做实验」的关键一步——它直接服务药物靶点优先级排序、组合扰动设计、脱靶/细胞状态效应评估。这也是为什么这一子领域同时吸引做基础模型的人（想证明 FM 有用）和做药物发现的人（想要可外推的扰动效应模型）。

1.2 与目前课题的直接咬合点

硕士课题是「聚类分析 + 关联预测分析在药物发现与单细胞组学中的应用」。本方向天然就是关联预测的富矿：

• 关联预测：扰动预测的本质就是「扰动变量 X → 响应变量 Y（转录组变化）」的关联预测，且要求外推到未见过的 X（unseen perturbation）——这正是关联预测的泛化难题。
• 聚类：细胞状态表示、响应成分（global / perturbation-specific / cell-line-specific）天然是分组/聚类对象；用聚类把细胞或响应成分分组，再做可解释的归因，是可以独有的抓手。

1.3 为什么现在是好时机（也是危险期）

2025–2026 连续出现「打脸式」基准论文（Ahlmann-Eltze 2025 说 FM 没超简单基线；Systema 2025 说指标被系统变异膨胀；一批 2026 预印本做「响应分解 / 可靠性 / 评测原则」）。这意味着：这个领域正处于「共识塌缩后重建」的阶段——旧叙事（FM 万能）被否，新叙事（什么情况下 FM 真有用、怎么度量）还没定型。对你而言，这是最适合做「方法学/诊断型」工作的窗口：不需要训一个更大的 FM，而是把评测和归因做对，就能发有辨识度的东西。

2. 领域全景：三块拼图

整个子领域可以拆成三块，彼此由「桥」连接：

[拼图A] 单细胞基础模型 scFM          [拼图B] 扰动预测任务
   表示学习（压成 z=f(x)）      ——桥——>   给定干预，预测 Δ 表达
   scGPT/Geneformer/scFoundation/           VAE / GNN / OT / FM-LLM 四族
   UCE/CellFM/Nicheformer…                  数据集: Norman/Adamson/Replogle/Dixit…
        ↑                                        ↑
        └──── 预训练数据是否匹配干预过程？ ────┘
                  （最大困难之一，见 §4.5）

• 拼图 A（表示）：目标是学一个映射 z = f(x)，x 是细胞表达向量，z 是低维表示，希望 z 同时编码细胞身份、状态、疾病、扰动响应，且跨数据集可迁移。
• 拼图 B（预测）：输入一个扰动（基因/化学/组合），输出扰动后的细胞表达或表达 delta。方法分四族（§3.4）。
• 桥：怎么把 A 的 z 用起来做 B。三条路（§3.3）。当前的核心争论就在「这座桥到底有没有让 FM 比简单基线强」（§5）。

---

3. 技术栈逐层拆解（研究技术）

3.0 先建立直觉：单细胞数据长什么样、为什么需要 FM

• 数据形态：一次 scRNA-seq 测一批细胞，得到「基因 × 细胞」矩阵。人类约 2 万个蛋白编码基因 → 每个细胞是一个约 2 万维的稀疏向量（大量基因在该细胞不表达，值为 0 或 dropout）。细胞数可达百万级（CellFM 在 1 亿细胞上预训）。
• 三大噪声源：①稀疏性（低表达基因测不到）；②批次效应（同细胞不同天/不同仪器测出来不一样）；③技术 vs 生物混杂（培养条件、细胞周期造成的差异混在真实生物学里）。这三点让"直接用传统监督学习"几乎不可能。
• 为什么是 FM 而不是专用模型：下游任务极多（细胞类型注释、批次整合、轨迹推断、缺失值填补、扰动预测……），但标注极少。FM 的思路是：先在海量无标数据上自监督预训练一个通用"细胞表示" z=f(x)，再把 z 接到各种下游头——类比 NLP 里先训 BERT 再接任务头。这正是 §2 拼图 A 做的事。

3.1 表示学习目标 z=f(x)：自监督预训练为什么是默认

• 数学设定：输入 x∈ℝ^G（G≈2 万维基因表达向量），学编码器 f: x→z∈ℝ^d（d≈256–1024）。希望 z 同时编码：细胞类型、当前状态、疾病状态、对扰动的响应、以及跨数据集可迁移性。
• 为什么自监督：几乎没有"标准答案"标签，但有大量无标数据。于是构造一个 pretext task（借口任务）——比如"遮住一部分基因让模型猜回来"——逼模型为了做好任务而学到数据结构。表示 z 是任务的副产品。
• 关键张力（贯穿全文）：pretext 任务优化的是"表达重建/排序预测得好不好"，但下游要的是"生物机制表示"。两者不一定对齐——这就是 §4.1「表达重建 ≠ 生物表示」的根本来源，也是选题 I2/I3 的出发点。

3.2 预训练目标详解（四种主流）

目标类型	机制	类比	代表
掩码语言建模式（MLM-like）	遮掉部分基因，预测被遮基因的表达/排序	像 BERT 完形填空	Geneformer、scBERT
生成式 next-token	把基因按表达量降序排成"句子"，预测下一个基因的表达	像 GPT 续写	scGPT
掩码自编码（MAE-like）	遮掉大块表达 patch，带"测序深度"条件恢复	像 MAE 图像重建	scFoundation
对比 / 其他	拉近距离近的细胞、推远不同的；或扰动感知	像 SimCLR	少数工作

• scGPT 的真实机制：它把单个细胞里所有基因按表达量从高到低排成一个序列，然后做生成式预训练——给定前面的基因，预测下一个基因的表达值（回归损失，如 MSE）。这本质上是把"细胞"当成"句子"、把"基因"当成"词"。所以更准确地说，scGPT 是生成式而非简单"掩码恢复"。
• 为什么"重建 ≠ 表示"（重要）：模型可以学到一个"捷径"——比如直接背下"平均细胞长什么样"就能拿到很低的重建 loss，却根本没理解某个基因被敲除后的机制性变化。信息瓶颈 + shortcut 让 pretext 指标好看但下游（尤其是扰动/机制）拉胯。这解释了 §4.1。

3.3 tokenization：把基因变成 token 的四种路线（设计分水岭）

这是 scFM 与 LLM 最大的不同：LLM 有现成 tokenizer（字/词），scFM 必须自己决定"一个基因怎么变成一个模型能吃的 token"。这个选择决定了模型能学到什么结构。

• 路线 A：gene token + 表达值分箱（scGPT）：每个基因有一个可学习 token 向量，表达量离散成几个等级（bin）作为该 token 的"值"。→ 保留基因身份，但分箱丢连续信息。
• 路线 B：rank value（Geneformer）：基因按该细胞内的表达量排序，用"秩"（第几名）当输入。→ 对绝对表达量不敏感、强调相对顺序，对批次效应更鲁棒（批次主要改变绝对量）。
• 路线 C：原始表达值 + read-depth 感知（scFoundation）：直接用连续表达值，并把"测序深度（reads 数）"作为条件输入，避免"测得多 = 表达高"的混淆。
• 路线 D：蛋白嵌入（UCE）：基因 token = 该基因所编码蛋白在 ESM-2（蛋白语言模型）里的嵌入。→ 把蛋白序列里学到的进化/结构知识直接灌进单细胞模型，且天然跨物种（不论人/鼠，蛋白嵌入空间一致，不用为每个物种重学）。
• 路线 E：上下文 token（Nicheformer）：额外加 assay（测序技术）/ modality（RNA/蛋白）/ organism 等 token，做空间和多模态。

设计含义举例：路线 B 的 rank 让模型对"绝对量波动"免疫，适合跨批次；路线 D 的蛋白嵌入让"从没见过的物种"也能 zero-shot 表示。这就是为什么论文里常说"tokenization 是 inductive bias（归纳偏置）的来源"。

3.4 架构演进：从 Transformer 到高效变体

• 主干都是 Transformer：把"基因序列"当成 Transformer 的输入序列，用自注意力让基因之间互相"看"。
• 痛点：一个细胞有 ~2 万基因 → self-attention 复杂度 O(N²)（N=基因数），2 万² 直接爆显存；且要在上亿细胞上训练，算力恐怖。
• 高效变体（核心创新多在把 O(N²) 降下来）：
  • RetNet / ERetNet（CellFM 用）：retentive network，训练时并行、推理时可递归，复杂度降到近线性，从而支撑 1 亿细胞预训练。
  • 线性/稀疏注意力、状态空间模型（Mamba 类）也在探索。
• 规模现实（让你对"算力门槛"有数）：
  • scFoundation：约 1 亿参数、4000 万细胞；
  • CellFM：约 10 亿参数级、1 亿细胞（靠 ERetNet）；
  • scGPT：数百万细胞级。
  • 意味着：从头训一个 scFM 对你的硕士算力不现实，但"用别人训好的权重 + 冻结/轻微调"完全可行（选题 I1/I2 的根基，见 §6）。

3.5 主要 scFM 逐个深讲（不只是一句话）

每家讲：输入表示 / 预训练目标 / 架构 / 能做什么 / 局限。

• scGPT（S01, 2024）：基因按表达排序 → 生成式 next-token 预训；Transformer。强在多组学、官方支持扰动微调。局限：生成式目标仍偏"重建"，机制表示受 §4.1 质疑；从头训算力重。
• Geneformer（S02, 2023）：rank-value token + MLM，在 3000 万细胞上预训；零样本推理强（不微调就能做 in-silico 基因表征/调控推断）。局限：rank 丢绝对量，定量预测偏弱。
• scFoundation（S03, 2024）：raw 表达 + read-depth aware MAE；通用表征，prompt 机制灵活。局限：大模型，推理成本。
• UCE（S05, 2026）：蛋白 ESM-2 嵌入作 gene token；跨物种细胞嵌入（同一嵌入空间涵盖人/鼠/斑马鱼等）。局限：依赖蛋白嵌入质量，对没结构信息的非编码区弱。
• CellFM（S04, 2025）：ERetNet 高效架构，1 亿细胞；主打规模与效率。局限：新，下游生态尚少。
• Nicheformer（S06, 2025）：rank token + assay/modality/organism 上下文 token，做空间感知（考虑细胞微环境）。局限：需空间数据。
• Tabula（S07, 2025）：把单细胞表达当表格做自监督，强调表格结构。
• scBERT（S10, 2022）：从细胞类型注释起家的大规模预训练 LM，是这一脉的早起代表。
• （CellPLM / GeneCompass / PULSAR 等为覆盖性工作，见 studies.json。）

3.6 下游接扰动的三条路（怎么把 FM 变成"能预测扰动"）★

这节回答一个很实际的问题：我训好一个 scFM 之后，怎么用它去预测"敲掉基因 A 后表达怎么变"？ FM 本身只是把细胞编码成一个向量（embedding）；要预测扰动效应，还得在这之上搭一小段。三条路按"动 FM 权重的多少"从少到多排列。

路 1：冻结 FM 表示 + 线性/浅层解码器（最省算力，硕士最现实）

• 做法：把 FM 当成固定特征提取器——输入一个细胞的表达，FM 吐出一个 embedding；再训一个线性层（或很浅的 MLP）把这个 embedding 映射回"扰动后的表达变化"。FM 权重一冻到底，只训上面那一层。
• 代表：Ahlmann-Eltze（S36, Nat Methods 2025）评测里就是把 scBERT / Geneformer / UCE 冻住，接线性映射去比扰动预测。
• 为什么适合你：训练只在那一层，显存和算力极低，CPU 也能试；缺点是 FM 的表示是"为自身预训练目标学的"，未必最优贴合扰动任务，性能上限受 FM 质量卡死。
• 硕士算力建议：默认走这条路。 你 SZU 研一、Intel Mac CPU-first，这条路能在笔记本上跑通原型，验证想法后再考虑升级。

路 2：FM embedding 喂给专用扰动模型（桥接派）

• 做法：不冻死 FM，而是把 FM 学出来的 gene embedding / cell embedding 当"先验知识"喂给一个本来就为扰动设计的模型，让它去学扰动动力学。
• 代表：CellFM（S04）把 gene embedding 喂给 GEARS（见 §3.7 GNN 族）；scPert（S33）把 LLM/知识图融合进去。
• 权衡：比路 1 多利用了 FM 的结构知识，但工程链更长（要接两个模型的接口），调试成本上升。

路 3：全微调（end-to-end 让 FM 自己学扰动）

• 做法：直接拿扰动数据去微调整个 FM（scGPT、scFoundation 官方都提供扰动微调脚本）。
• 代价：①算力最重，需要 GPU；②灾难性遗忘——为扰动任务调完，原本的通用表示可能被冲掉；③过拟合风险高，尤其未见扰动基因上容易崩。
• 何时用：除非手上有大规模、多条件的扰动数据（如 Replogle 量级），否则硕士阶段不优先。

一句话总结这三路：路 1 是"借 FM 的特征做线性外推"，路 2 是"把 FM 当先验接入专用模型"，路 3 是"让 FM 自己重学扰动"。难度与算力递增，但性能不一定递增（见 §4.2 简单基线警告）。

3.7 扰动预测方法四族（拼图 B：具体怎么算）★

这节把"预测扰动后表达"的主流算法按思想分成四族。先建立一个统一直觉：几乎所有方法都在学一个映射 f，把（对照细胞, 扰动说明）→ 扰动后表达（或表达变化 Δ）。四族的区别在于 f 长什么样、塞了什么结构先验。

VAE 族（用潜空间 + 加性假设）

• 核心思想：把细胞压进一个低维潜空间 z，在 z 里做"算术"，再把结果解压回表达。
• scGen（S27, Nat Methods 2019）开山之作：条件 VAE。它学的是 z_perturbed ≈ z_control + Δ，其中 Δ 是"某扰动带来的潜空间偏移"。预测新扰动时，直接在对照细胞的 z 上加上这个 Δ 就得到预测——这就是著名的**"潜空间算术"**。强在概念干净、能零样本推新扰动；弱在假设扰动效应在潜空间是平移（线性加性），对强非加性互作失效。
• CPA（S26, Mol Syst Biol 2023）组合式条件 VAE：把扰动效应解耦成"每个扰动一个可加向量 + 细胞类型背景"，从而首次能预测组合扰动（A+B 一起敲）并输出整条分布。假设"组合效应 ≈ 各单扰动效应之和"。
• SAMS-VAE：稀疏加性机制版本，强调只有少数基因被扰动真正改变，用稀疏约束提升组合预测。

GNN 族（用基因网络结构先验）

• GEARS（S25, Nat Biotech 2024）代表作：两路图神经网络拼起来——
  • ① 基因共表达图：从大规模表达数据里学基因之间的共变关系（哪些基因总一起动）；
  • ② GO 扰动图：用 Gene Ontology 的已知通路/功能关系把扰动连起来。
  • 训练用自聚焦方向损失（self-focusing direction loss）——不只看预测值的绝对值，还鼓励预测的变化"方向"和真实变化方向一致（生物学上方向比大小更关键）。
  • 还输出贝叶斯不确定性：对每个预测给一个置信度，知道"哪次预测不靠谱"。
  • 成绩：在遗传互作（genetic interaction）亚型上比基线高约 40%；但稀疏连接的基因会退化——如果两个基因在图里没什么邻居，GEARS 就缺结构信息，预测变差。
• 这一族的核心卖点是"把已知的生物网络当归纳偏置塞进模型"，而不是纯数据驱动。

最优传输族（OT：处理非配对、学传输映射）

• CellOT（S28, Nat Methods 2023）：现实里对照细胞和扰动细胞往往不是一一配对测的（不同批次、不同孔）。CellOT 用**输入凸神经网络（ICNN）**学一个"从对照分布到扰动分布"的传输映射，不要求配对，直接建模"整体细胞群体怎么被扰动平移"。适合做反事实/群体级预测。
• 衍生：sc-OTGM（S29）、SCALE（S32, 2026）。

FM / LLM 融合族（最新、拼接大模型知识）

• scPert（S33, 2026）：多模态 LLM + 知识图融合，把文献/通路知识也灌进去。
• X-Cell（S31, 2026）：主打因果扰动预测——不只预测"关联到什么"，而是建模"干预了因、果怎么变"的因果结构（Causal）。
• scREPA（S30）：把 FM 的表示对齐到路径/反应层面。
• 这族的方向是"让模型不仅记住统计关联，还能讲出因果"，但都新，验证尚少，是 I3 选题的土壤。

这四族不是互斥的——GEARS 可以接 FM embedding（桥接路 2），VAE 的潜空间算术也能用 FM 初始化。读论文时看它"主族 + 借了谁的先验"两条线即可。

3.8 数据集与评测惯例（怎么才算"真会"）★

这节讲"拿什么数据训、用什么协议测才不被骗"。这是选题能不能立住的地基——很多看似厉害的结果，换个切分方式就塌了。

核心数据集（按里程碑）

• Norman / Adamson（2019, 两篇 Science）：CRISPR 双/单基因扰动，早期扰动预测基准。规模小（几百~上千扰动），但被几乎所有方法当"第一关"。
• Replogle（2022, Nat Biotech）大规模 CRISPRi：这是关键转折点数据集。它揭示两个残酷事实：
  • ① 只有约 41% 的基因扰动会产生全转录组可测效应（其余敲了跟没敲差不多）；
  • ② 典型的扰动平均只改变约 45 个基因——绝大多数基因几乎不动。
  • 后果：模型只要学会"公共 shift"（所有扰动都共享的那点系统性变化），就能在常规指标上拿高分，却根本没学会真正的机制。这直接喂给 §4.3 系统变异问题。
• Dixit / Srivatsan / Frangieh 等：更早的 Perturb-seq 类、mRNA/CRISPR 混合扰动、多时间点扰动，提供组合/剂量/时序维度。

评测指标（两类）

• 细胞级：MSE（预测 vs 真实表达的距离）、Pearson（相关性）、centroid accuracy（扰动后细胞群中心预测得准不准）。
• 基因级：top-DE 基因（差异表达最强的那些基因）的 MSE/Pearson——更贴近"模型抓住了关键变化没"。
• 机制级：genetic interaction 度量（非加性互作）、组合效应误差。

切分方式（决定难度真实性，必须看）

• ❌ cell-level 随机切分：把细胞随机分训练/测试——模型只要记住数据分布就能过，严重高估"跨扰动泛化"。新手论文最容易在此翻车。
• ✅ perturbation-level 切分：按"扰动基因"切——测试集里出现训练时没见过的扰动。这才是真难度。
• 严格评测的多根轴：
  • unseen-perturbation：测没见过的单基因扰动；
  • unseen-cell-type：换细胞系/细胞类型测；
  • 组合 Seen0-1-2：0 个单扰动见过（纯新组合）/ 1 个 / 2 个，逐级加难；
  • dose：不同扰动强度（敲除 vs 敲低）外推。

读任何扰动预测论文，先看它"按哪根轴切分"——只报 cell-level 的，结论先打个问号。I1 选题的核心贡献就是"在 Systema 校正 + perturbation-level 切分下重新比一遍"。

---

4. 这个领域最大的困难（深描）

这节是给你定题用的「痛点地图」。每个困难都对应一个可做的选题方向。

4.1 困难一：表达重建 ≠ 生物表示

预训练奖励的是表达模式预测，这不等于细胞身份/状态/机制表示。这解释了同一 FM 在注释任务上稳、在扰动/机制主张上被质疑的现象（S01/S02 支撑）。这是「FM 到底懂不懂生物学」的根本张力。

4.2 困难二：深度模型未稳定超过简单基线

Ahlmann-Eltze（S36, Nat Methods 2025）在 Norman 双扰动上测了 5 个 FM + GEARS + CPA 对两个极简基线（no-change、additive）：

• 无模型超过 additive；
• scGPT 误差比 additive 高约 21.8%，Geneformer* 高约 24.1%；
• 在遗传互作预测上，无模型超过 no-change。

这意味着「堆大模型」在扰动预测上并未兑现。但注意：这是「在某种切分+某种指标下」的结论，正是 §5 争论的起点。

4.3 困难三（最重要）：系统变异膨胀指标 ★

Systema（S37, Nat Biotech 2025）指出一个容易被忽视但致命的问题：扰动细胞与对照细胞之间存在 selection bias / 混杂造成的系统性变异（比如培养条件、批次、细胞周期），标准 Pearson 等指标对这种系统性变异极其敏感，于是把「未见扰动」的难度高估了。

Systema 在 10 个数据集、3 种技术、5 个细胞系上量化了这一点，并给出聚焦 perturbation-specific effect（扣除系统变异后的纯干预效应）的评测框架。

为什么这最重要：它说明很多「FM 不行」或「FM 行」的结论，可能只是被评测协议的系统变异所扭曲。任何严肃的扰动预测工作，现在都必须过 Systema 校正这一关。这直接催生了本文主推选题 I1（§6.1）。

4.4 困难四：未见扰动与跨背景外推极难

标准指标下「预测未见扰动」比真实难度低得多。Replogle 数据显示绝大多数基因变化极小（§3.5），模型容易靠「公共 shift」（所有细胞共享的方向）拿高分，而非真正预测扰动特异效应。组合扰动（两个基因同时敲除）的外推更难——CPA 假设加性，但真实常有非加性（合成致死/拮抗）。

4.5 困难五：预训练数据不匹配目标过程

综述自身记录「用扰动数据预训练的线性模型增益明显、通用图谱表示收益更小」。这暗示：训练数据是否匹配干预过程，可能比模型规模更重要。也就是说，一个在大规模健康组织图谱上预训的 FM，未必比在扰动数据上训的线性模型更懂扰动。这指向预训练目标设计（选题 I3，§6.3）。

4.6 困难六：评测缺乏泄漏/审计纪律

与 DTI 基准已被系统审计不同，扰动预测评测刚被 Systema 点出系统变异问题；此外，基础模型预训练语料与下游 Perturb-seq 之间是否存在样本/供体重叠，也该审查（S37/S39 支撑）。

痛点 → 对策 一览表

困难	对应技术/选题对策
4.1 重建≠表示	I2 机制探针；I3 扰动感知预训练
4.2 未超基线	I1 增益归因（到底差在哪）
4.3 系统变异	I1 必须过 Systema 校正
4.4 外推难	I1 多轴严格切分；I4 基准
4.5 数据不匹配	I3 扰动感知预训练目标
4.6 评测纪律	I4 评测协议资源

---

5. 核心争论与未决问题

5.1 FM 到底改不改善扰动预测？（三方拉锯）

• Ahlmann-Eltze（S36, 2025）：双重扰动下无模型超 additive 基线 → 「FM 没用」。
• GenBio AI（S40, bioRxiv 2026.02）：测 600+ 模型，称部分 FM 在基因/化学扰动上显著改善并逼近基本极限 → 「FM 有用」。
• Systema（S37, 2025）：两边可能都对，只是指标被系统变异扭曲 → 「问题在评测」。

判断：矛盾大概率源于切分方式、数据量、指标差异，而非简单对错。这恰恰是选题的黄金缺口——没人系统地在「Systema 校正 + 严格多轴切分」下，把 FM 的增量归因到具体来源。这就是 I1。

5.2 表示是否编码干预机制（关键缺口）

目前缺受控探针回答：「模型声称理解了干预，还是利用了相关性？」这是区分论文贡献高低的关键，也是 I2 的发力点。

5.3 2025–2026 竞争态势（来自实时 S2 邻居，务必注意）

S2 邻居扩展（59 篇）暴露这一方向比 41 篇主清单显示得更拥挤。直接竞争预印本：

• Simple controls exceed best DL（Bioinformatics 2025, DOI 10.1093/bioinformatics/btaf317）：简单基线超 SOTA DL，并论证 FM 在 post-perturbation 的实际效用。
• Perturbation response decomposition（2026, DOI 10.64898/2026.07.24.740459）：把响应分解为 global / perturbation-specific / cell-line-specific / 交互 四成分，简单线性/MLP 在 unseen cell-line 与组合扰动上超 SOTA。最像 I1 的分解角度，但它做的是响应成分分解+生物先验对齐，未做 Systema 校正、未做 FM 增益归因、未用负对照机制探针。
• Towards Principled Evaluation（2026, DOI 10.64898/2026.07.23.740433）：评测协议分类学（representation/metric/score-trans）。
• Reliable perturbations（2026, DOI 10.64898/2026.08.11.744177）：65% 扰动不可靠，模型比较依赖扰动质量。
• Robustness to nuisance perturbations（2026）、SLIM（2026, 小线性模型+STRING 嵌入）、scUnify（2026, 多 FM 统一框架）等。

结论：I1 的宽泛形式（「分解响应 + 简单模型超复杂」）已被实质抢占（partial overlap）；残差差异化空间 = Systema 校正 × FM 表示增益归因 × 负对照机制探针 × 含 dose 的多轴切分——这四项在已读摘要中未被任何单篇同时覆盖。这就是你的机会窗口，但需全文核查确认（见 §6 的 verdict 说明）。