单细胞基础与扰动预测的梳理
单细胞基础与扰动预测是更加具体的研究。
我对此展开梳理，详细可见：单细胞基础模型与扰动预测-知识梳理
选题方向
一、问题的提出
细胞中的基因并不是各自独立工作的。抑制一个基因，可能使一批其他基因的表达随之升高或降低，进而改变细胞状态。所谓“基因表达”，可以简单理解为基因在细胞中的活跃程度；所谓“扰动响应”，则是人为干预后，这些活跃程度相对于未干预状态发生的变化。研究这种变化，有助于理解基因功能，也为判断干预可能产生的影响提供依据。
但是，同一个基因受到抑制，在不同细胞中不一定产生相同结果。已有的大规模实验在 K562 和 RPE1 两种细胞系中观察到了响应差异。这意味着，我们不能把一种细胞中的实验结果直接照搬到另一种细胞。与此同时，如果每一种基因干预都要在每一种细胞情境中进行全面测量，实验规模会随着干预和情境数量迅速增加。Replogle 等，Cell，2022
由此产生一个值得研究的问题：能否利用已有的跨细胞实验，训练一个模型；以后面对新的基因干预，只在一种细胞中测量少量基因的变化，就预测这一干预在另一种细胞中更大范围的表达响应？
例如，训练时，我们已经知道一批基因干预分别在 K562 和 RPE1 中产生了什么变化。预测时，遇到一个没有参与训练的干预，只向模型提供它在 K562 中一组固定基因上的实测变化，由模型预测它在 RPE1 中的响应。“被干预的基因”和“被测量的基因”是两回事：前者是实验操作的对象，后者是观察操作后细胞变化的窗口。这里保留源细胞中的测量，也需要目标细胞中其他干预的历史训练数据，因此研究的是两个已知细胞情境之间对新干预的预测。
本研究希望把重点放在一个人工智能问题上：当可观察的信息有限、输入与预测目标又来自不同情境时，模型应该保留和组织哪些信息，才能做出可靠且可以解释的预测？
二、简单的文献梳理
扰动响应预测旨在利用已有实验数据，推断细胞受到特定干预后的基因表达变化。该领域的发展涉及两个相互关联的问题：一是如何获得能够支持模型学习的扰动数据，二是如何使模型对训练数据未覆盖的干预或细胞情境具有预测能力。以下围绕代表性研究梳理这一演进过程，并据此界定本研究的任务与方法依据。
早期深度学习研究已开始探索扰动效应的跨细胞迁移。Lotfollahi 等提出的 scGen（2019）结合变分自编码器与潜在空间中的向量运算，将高维表达数据转化为低维表示，并利用表示空间中的变化描述扰动效应。该工作在其研究设置下展示了跨细胞类型等条件的响应预测能力，为通过表示学习迁移扰动信息提供了方法基础。scGen，Nature Methods，2019
随后，大规模遗传扰动实验为研究更广泛的干预响应提供了数据基础。Replogle 等（2022）利用 Perturb-seq 将 CRISPRi 基因抑制与单细胞转录组测量相结合，系统记录大量基因干预的表达后果，并比较 K562 与 RPE1 等实验情境中的响应。这类数据既支持基因功能分析，也为学习“干预—响应”关系提供了样本。面向未见遗传扰动的预测，Roohani 等提出 GEARS（2023年在线发表），将基因关系知识图谱引入深度学习，以预测单基因及多基因干预的转录响应。其贡献在于利用基因间关系支持对部分未见干预对象或组合的推断。Replogle 等，Cell，2022；GEARS，Nature Biotechnology，2024
近年来，与本课题更直接相关的研究开始关注如何利用源情境中的实测响应，预测同一干预在目标情境中的作用。CrossTx（2024）研究跨细胞系的药物转录响应预测；sigRecon（2026年预印本）研究不同生物情境之间的扰动响应特征映射。与主要依赖干预条件及先验信息的预测设置相比，这类任务能够利用源端实验已经观测到的响应信息，为目标端预测提供依据。CrossTx，Processes，2024；sigRecon，2026年预印本
三、数据的情况
本研究拟使用 K562 和 RPE1 两组公开数据。它们来自同一篇原始实验论文，而不是两篇相互独立的数据论文：
Replogle, J. M., et al. (2022). Mapping information-rich genotype-phenotype landscapes with genome-scale Perturb-seq. Cell, 185(14), 2559–2575.e28. DOI: 10.1016/j.cell.2022.05.013。 论文入口｜开放全文｜作者公开数据
原研究采用 Perturb-seq 技术：先利用 CRISPRi 压低目标基因的表达，再通过单细胞 RNA 测序观察细胞中许多基因的表达变化，从而将“进行了什么干预”和“产生了什么响应”对应起来。其中，CRISPRi 是抑制基因表达，不应简单等同于将基因完全敲除。
| 项目 | K562 数据 | RPE1 数据 |
|---|---|---|
| 细胞背景 | 人慢性髓性白血病来源细胞系 | 人视网膜色素上皮来源细胞系 |
| 本研究使用的实验子集 | 以必需基因为主的 CRISPRi 扰动实验 | 以必需基因为主，并包含部分另行选定基因的 CRISPRi 扰动实验 |
| 实验采样时间 | 转导后第6天 | 转导后第7天 |
| 当前聚合版本的基因数 | 8,563个 | 8,749个 |
| 在研究中的角色 | 可作为源端，提供少量基因的响应观测 | 可作为目标端，提供训练标签及测试评价真值；也可反向预测 |
两组数据的重要优势在于，包含大量相同基因的干预，可以将“同一干预在两种细胞中的响应”配对，而不是只比较两种细胞未经干预时的表达差异。经过当前协议规定的筛选，主分析队列包含 2,047个共同扰动身份，并预先固定 5,429个基因作为主要预测评价范围。这些数字来自本项目的数据验收与分析协议，不是原论文全部实验的总规模。
需要说明数据处理层级：原始实验是单细胞测量，但目前准备好的模型输入是组聚合表达数据，即 pseudobulk。 可以将它理解为先把同类干预的一组细胞表达汇总，再按分析协议形成相对于对照的群体平均响应。因此，初期预测对象是某项干预造成的平均表达变化，不是每一个细胞的状态，也不能据此研究完整的细胞间差异。
当前两份 CSV 合计约 5.85 GB，使用的是 sigRecon 公开整理的聚合版本，其原始实验来源仍为上述 Replogle 论文。聚合数据发布页；处理工作 sigRecon
不足
当前的选题尚不成熟，很多地方不知道如何开展，诸如：
- 基因如何选择
- 模型如何设计
待我再梳理两天。。。