Tacedinaline

文章链接：doi链接 https://doi.org/10.1016/j.cell.2026.06.005一句话说出结论： 本研究开发的UniPert-G2CP框架，通过统一基因和化学扰动的分子表征并进行跨领域迁移学习，实现了更高效、精准、可解释的细胞扰动效应预测，为构建人工智能虚拟细胞（AIVC）和加速精准医疗提供了强大工具。1. 科学问题如何提出，有什么意义？ 科学问题的提出：文章指出，系统模拟和预测不同干预措施（如基因扰动和药物处理）在不同细胞环境下的表型效应，是构建人工智能虚拟细胞（AIVC）的核心目标。然而，这一目标的实现面临三大瓶颈：筛选规模与数据通量的不匹配 ：基因组规模的CRISPR筛选可以高效、并行地进行，而化学药物筛选受限于阵列式、孔板式的实验形式，通量低，难以覆盖巨大的化学空间。扰动因子（Perturbagen）的分子模态差异 ：基因（大分子）和化合物（小分子）的编码方式（序列 vs. 化学结构）截然不同，缺乏统一的、可解释的表示方法，阻碍了跨领域的知识迁移和整合分析。细胞异质性和模型泛化能力的挑战 ：现有模型在预测未见过的扰动或新的细胞环境时表现不佳，难以捕捉细胞特异的响应模式。 科学意义：解决这些问题具有重大的基础研究和转化应用意义：基础研究 ：能够系统性地探索生物机制，将基因型与表型联系起来，加深对疾病机理的理解。药物研发 ：能极大提升计算机模拟药物筛选的效率和准确性，加速靶点发现和先导化合物优化。精准医疗 ：有望实现基于患者个体遗传背景的个性化药物反应预测，指导临床决策。2. 逻辑上如何证明科学问题，研究内容是什么？ 文章通过“提出框架-分步验证-整合应用”的逻辑来证明其科学问题。 研究内容分为两阶段框架和最终应用： 阶段一：UniPert模型（解决分子模态差异）目标 ：将基因（蛋白质序列）和化合物（SMILES字符串）映射到一个统一的、具有生物学意义的共享嵌入空间。方法 ：开发了多模态分子表征学习模型UniPert。它结合了蛋白质语言模型（ESM）、多序列比对（MSA）、图神经网络（GNN）和对比学习，利用已知的化合物-靶点相互作用（CPI）数据作为桥梁，将功能相关的基因和药物拉近。验证 ：可解释性 ：证明UniPert的嵌入能更好地按药物作用机制（MoA）和蛋白质药理学分类（PCL）进行聚类，并能注释功能未知的蛋白。提升预测能力 ：将UniPert作为编码器，嵌入到现有的扰动效应预测模型（GEARS, CPA）中，能显著提升对未见过的单基因、多基因组合及药物扰动的预测准确性。 阶段二：G2CP框架（解决数据通量不匹配和泛化问题）目标 ：利用高通量、系统性的基因筛选数据，来增强低通量的化学药物筛选效果。方法 ：提出“基因预训练 + 药物微调”的迁移学习策略。模型先在大量的基因扰动数据上学习细胞的基本响应模式，再在有限的药物扰动数据上进行微调。验证 ：在多个转录组学（LINCS）和形态学（CPJUMP1）数据集上进行交叉验证。结果表明，G2CP在使用少量药物数据微调时，其预测准确性远超仅用药物数据训练的模型，实现了高效、低成本的计算机模拟药物筛选。 整合应用：解析细胞特异性药物响应机制目标 ：利用UniPert-G2CP生成的“扰动原因（分子）-扰动效应（表型）”空间，揭示药物反应的细胞异质性。方法 ：通过比较药理学类别（PCL）内药物的分子相似性矩阵（原因空间）和在不同细胞系中预测的转录响应相似性矩阵（效应空间），量化PCL的细胞敏感性。验证 ：以乳腺癌细胞MCF7中的雌激素受体（ER）激动剂为例，深入分析了ER的调控机制和耐药突变（如Y537S, D538G）如何改变转录响应，展示了框架在机制研究中的潜力。3. 关键的实验技术有哪些？ 本文是一项纯计算生物学研究，其关键技术均为计算和建模方法： 多模态分子表征学习：蛋白质编码 ：结合蛋白质语言模型（PLM, 如ESM-2）和多序列比对（MSA, 如MMseqs2），利用图神经网络（GNN）整合全局上下文和局部保守基序信息。化合物编码 ：使用扩展连接指纹（ECFP）表征化学亚结构。跨模态对齐 ：利用对比学习，基于已知的化合物-靶点相互作用（CPI）数据，将两种模态的嵌入对齐到统一空间。 扰动效应预测与迁移学习：基线模型 ：采用并修改了先进的扰动预测模型架构，如GEARS（用于基因扰动）和CPA/chemCPA（用于药物扰动）。迁移学习策略（G2CP） ：设计了**“基因预训练 + 药物微调”** 的两阶段训练范式，实现了从基因筛选到药物筛选的知识迁移。 大规模数据集的整合与分析：数据来源 ：整合了多个公共数据库，包括Connectivity Map (CMap)/LINCS（转录组学）、Cancer Dependency Map (DepMap)（基因依赖性）、Cell Painting Gallery/JUMP（形态学）、PubChem（CPI）、ChEMBL（药物靶点注释）等。评估指标 ：使用了皮尔逊相关系数（PCC）、均方误差（MSE）、调整兰德指数（ARI）、标准化互信息（NMI）、Mantel检验等多种统计和生物信息学方法来量化模型性能。4. 从文章逻辑性中找到逻辑链接的关键点，并阐明关键点的重要意义。 文章的逻辑链条中，有两个最关键的连接点： 关键点一：UniPert作为“桥梁”连接“原因”与“效应”模型逻辑链接 ：UniPert模型是连接“扰动原因（分子）”和“扰动效应（表型）”的枢纽。它本身是一个独立的分子表征模型（原因），但其输出（统一的分子嵌入）被直接用作下游效应预测模型（G2CP）的输入。重要意义 ：这种模块化设计至关重要。它意味着UniPert可以被“即插即用”地集成到任何现有的或未来的扰动效应预测模型中。它将复杂的多模态分子表征问题与表型预测问题解耦，使得两个部分可以独立优化和迭代。UniPert提供的富含生物学先验知识的嵌入，是G2CP能够实现跨领域迁移学习并提升预测泛化能力的根本原因。 关键点二：G2CP的迁移学习策略连接“基因”与“药物”领域逻辑链接 ：G2CP的“基因预训练 + 药物微调”策略，是连接遗传筛选和化学筛选这两大实验范式的桥梁。它解决了两个领域在数据通量和覆盖度上的巨大差异。重要意义 ：这一策略巧妙地利用了现有数据资源。基因组CRISPR筛选数据系统性强、覆盖度高，但离临床应用较远；化学药物筛选数据直接对应治疗，但通量低、化学空间巨大。G2CP通过迁移学习，让模型先在“基因”数据上学习细胞状态变化的基本规律（如信号通路、生物学过程），再将其应用于“药物”领域，相当于用低成本、高密度的基因数据为高价值、稀疏的药物数据提供了强大的先验知识，极大地提高了计算机模拟药物筛选的可行性和效率。5. 逻辑总结： (1) 用简单的逻辑线路总结科学问题：多模态扰动因子难以统一表征 (A) → 跨领域（基因/药物）数据无法整合建模 (B) → 扰动效应预测模型泛化能力差，药物筛选效率低 (C) → 提出UniPert-G2CP框架，统一表征并实现跨领域迁移学习，以解决上述问题 (D)。 (2) 用简单逻辑线路总结实验技术流程:多源异构数据整合（序列、结构、CPI、转录组） (A) → 开发UniPert模型，利用对比学习统一基因和药物分子表征 (B) → 构建G2CP框架，在基因数据上预训练，在药物数据上微调效应预测模型 (C) → 在多个数据集上系统评估模型性能（准确性、泛化性、可解释性） (D) → 应用模型解析细胞特异性药物响应机制（如ER激动剂与耐药） (E)。6.基于这篇文章能进一步衍生的课题有哪些。拓展扰动模态 ：将UniPert的编码能力扩展到非编码RNA（如miRNA, lncRNA）、DNA甲基化等表观遗传扰动，甚至复杂的微生物组扰动，实现更全面的生物因果建模。多组学效应预测 ：目前G2CP主要预测转录组效应。可以将其扩展至预测蛋白质组、代谢组、甚至细胞形态学等多维表型，构建更完整的“分子-表型”图谱。面向患者的临床转化研究 ：利用患者来源的类器官或异种移植瘤（PDX）的基因依赖性数据，结合G2CP进行药物筛选，预测患者特异性药物敏感性，推动真正的个性化精准医疗。药物组合与协同作用预测 ：将UniPert-G2CP框架应用于预测药物联用（甚至基因-药物联用）的协同或拮抗效应，为复杂疾病（如癌症）的联合治疗方案设计提供指导。机制驱动的药物重定位 ：利用UniPert空间中的分子相似性和G2CP预测的跨细胞系表型效应，系统性地发现老药的新适应症，特别是针对罕见病或无药可治的疾病。模型解释性与生物学发现 ：开发更先进的可解释性AI技术，深入探究UniPert-G2CP模型内部的决策逻辑，从模型中发现新的基因-药物关联、信号通路串扰或耐药机制，形成“模型驱动假设，实验验证”的闭环研究。7. 中文翻译1. 题目 UniPert-G2CP桥接遗传与化学筛选：从分子表征到表型建模2. 摘要 系统性地模拟和预测不同干预措施在异质性细胞环境中的表型效应，是人工智能虚拟细胞（AIVC）愿景的核心。然而，扰动因子模态、检测格式和数据生产效率的差异，阻碍了对遗传和化学筛选的统一建模与分析。本研究提出了UniPert-G2CP，一个两阶段的深度学习框架，通过统一多模态分子扰动因子（原因）表征，并实现遗传到化学扰动表型（效应）的迁移学习，从而桥接遗传和化学筛选。在大规模遗传和化学筛选数据集上的验证表明，UniPert-G2CP能够更高效、准确、稳健、可解释且具有泛化性地模拟多细胞和多领域的扰动因果空间。对这些空间的进一步联合分析揭示了药物反应背后的细胞异质性，为药物作用和耐药机制提供了机制性见解。总之，UniPert-G2CP推进了通用生物因果建模，加速了AIVC的实现，并拓展了人工智能驱动的精准医疗的潜力。3. 前言 模拟细胞状态并预测不同干预措施（包括遗传和化学扰动因子）的表型效应，已成为开发人工智能虚拟细胞（AIVC）的核心目标¹⁻²。这一进展得益于诸如Connectivity Map (CMap)³⁻⁴、Cancer Dependency Map⁵⁻⁶和Cell Painting Gallery⁷⁻⁸等计划所产生的、特定于背景的、高通量的、多领域的扰动后表型谱。对这些扰动因子引起的细胞反应和行为进行联合建模和分析，可以系统性地探索生物学机制和治疗干预措施，同时促进潜在治疗靶点的识别和针对特定疾病的新药候选物的发现，从而实现高效的数据驱动的个性化医疗⁹⁻¹²。然而，这一前景广阔的范式在细胞扰动建模方面正遭受几个关键瓶颈的制约。 首先，遗传和化学筛选在文库规模和检测格式上的差异，导致筛选空间覆盖度和建模数据可及性之间存在巨大差距。基因组规模的遗传筛选（或靶向约4,500个可成药基因的较小文库¹³⁻¹⁴）可以以混合CRISPR格式进行¹⁵⁻¹⁸，其中数千个基因扰动在一个共享的细胞池中并行引入，并通过单导向RNA (sgRNA) 测序进行解卷积¹⁹。相比之下，具有巨大类药化学空间（估计超过10⁶³种化合物）的化学筛选²⁰⁻²²，仍然主要采用阵列式和基于孔板的形式，处理条件在孔间物理分离，限制了实际规模²³⁻²⁴。因此，即使是当前大规模的化学扰动图谱也仅覆盖了数千种化合物⁴⁻²⁵，而全范围筛选在实验上是不可行的，必须采用计算机模拟方法。这些因素放大了两个领域之间数据生产力与建模需求的不匹配。 其次，扰动因子之间固有的分子模态差异限制了它们的通用表征，并进一步限制了跨领域扰动的连接和建模。针对大生物分子和小分子的先进编码器，通常分别接受核苷酸/氨基酸²⁶⁻²⁸和原子尺度²⁹⁻³¹的输入。将它们（具有不同的尺度和长度）数字化到一个共享的、可解释的空间中，(1) 需要丰富的经验知识来建立它们之间的生物学关系，(2) 并且有丢失分子关键局部信息的风险，例如生物序列的进化保守区域³²和化合物的功能基团³³。 第三，面向高细胞异质性和泛化能力进行建模构成了一个巨大挑战³⁴⁻³⁶。扰动表型数据的效用可以从两个轴来表征：深度，指每个实验条件下的样本量（即扰动后谱的数量）；广度，指条件的多样性（即不同扰动因子的数量）。虽然单细胞技术大大增加了深度³⁷，但这些益处主要局限于在已观测到的扰动分布内进行插值，对于预测分布外（OOD）条件的增益有限。先前的研究表明，跨背景迁移学习可以提高模型对新细胞环境的泛化能力³⁸⁻³⁹，但它往往被共同模式所主导，并掩盖了特定于背景的信号，从而损害了细胞异质性的学习。 训练高效的多细胞扰动效应预测模型，需要具有足够广度的、跨越不同细胞背景的扰动数据。然而，进行具有足够覆盖度的化学筛选仍然不切实际⁴⁰。鉴于化学扰动可以通过汇聚于共享的信号级联和调控程序来模拟遗传效应⁴¹⁻⁴⁶，一个有前景的策略是先在遗传筛选谱（来自更系统但规模较小的文库）上预训练模型，然后在有限的化学筛选谱上进行微调。该策略利用预先学习的独特遗传背景信息，实现成本效益高、背景感知的化学扰动建模⁴⁷，以及对大量未经测试的化合物进行可泛化的表型预测，进一步支持对化合物作用机制（MoA）和细胞反应敏感性的系统性解析，并推动从化学遗传学到化学基因组学的演进⁴⁸⁻⁴⁹。 在本研究中，我们引入了一个两阶段的深度学习框架，以克服跨扰动领域、分子模态和文库规模进行表型筛选的建模瓶颈。在第一阶段，我们开发了UniPert，一个基于对比学习⁵⁰的多模态分子表征学习模型，将大生物分子和小分子编码到一个共享的语义嵌入空间中，从而桥接遗传和化学扰动。在第二阶段，我们将UniPert整合到一个扰动效应预测模型中，开发了G2CP，一种遗传到化学扰动迁移学习方法，利用基于CRISPR的系统性遗传筛选来提高计算机模拟药物筛选的效率。 接下来，我们将概述UniPert（图1A），并展示其多功能性：(1) 生成具有显著生物学和药理学可解释性的多模态分子嵌入（图1E，左），以及(2) 可嵌入先进的扰动预测器中，以提高其在处理跨不同扰动领域、复杂性和数据规模的未见扰动因子时的性能（图1E，中）。然后，我们概述G2CP（图1B），并在包含双领域扰动的转录组学和形态学谱上，跨多个细胞背景对其进行评估，证明其在成本效益高的计算机模拟药物筛选中的优越性（图1C）。最后，我们利用UniPert-G2CP为5种癌细胞系中的4,994个基因和7,860个小分子生成了扰动因果表征空间（图1D），并联合分析这些空间以表征药物扰动反应的细胞特异性（图1E，右）。4. 结果 UniPert学习统一的分子表征，桥接遗传和化学筛选遗传和化学扰动研究在很大程度上仍然是不相连的，因为它们涉及不同的扰动因子，特别是那些缺乏注释的。为了桥接这两个领域，我们开发了UniPert，一个多模态分子表征模型，利用先验生物学信息来统一多领域扰动因子，并实现跨领域的表型连接（图S1A）。UniPert的目标是将不同的扰动因子从其各自的分子输入编码到一个共享空间中，拉近(1)功能相似的遗传扰动因子，(2)具有相同MoA的化学扰动因子，以及(3)参与相同生物学通路的跨领域扰动因子。为此，UniPert设计了多尺度分子输入、领域适配编码器和组合训练策略（图S1B；见STAR Methods）。 对于化学扰动因子，UniPert采用简化分子线性输入规范（SMILES）字符串作为输入，确保了在巨大化学空间中的可扩展性。这些字符串最初通过二进制拓扑扩展连接指纹（ECFPs）²⁹进行嵌入以表征亚结构，然后投影到稠密嵌入中，以提炼关键功能基团并实现与遗传扰动因子的对齐。 对于遗传扰动因子，鉴于蛋白质是细胞功能的基本单位，并在两个筛选领域中都扮演核心角色，UniPert使用靶基因的氨基酸序列进行编码。与小分子不同，蛋白质具有更长的序列和更复杂的生物学模式。大型蛋白质语言模型（PLMs），如ESM²⁶，可以生成信息丰富的蛋白质嵌入。然而，直接将这些高维的残基级嵌入压缩为全局蛋白质级向量，可能会丢失重要的局部功能序列特征。为解决这一局限，UniPert将PLM与传统的多序列比对（MSA）方法⁵¹相结合，利用图神经网络（GNNs）⁵²来捕获全局上下文特征和局部保守基序模式。具体来说，对于每个查询蛋白，UniPert针对一个参考基因组蛋白集（n = 19,187）执行基于Smith-Waterman的局部比对，构建一个以查询为中心的加权图，其中节点代表蛋白质，边编码成对的序列相似性。初始节点嵌入来自ESM，然后通过基于GNN的消息传递机制进行精炼，使得功能信息能在相似序列间传播。这种混合策略增强了UniPert识别保守序列区域和捕获蛋白质功能相似性的能力。 UniPert采用双重优化策略，在共享嵌入空间中建立模态内和模态间的关系（图S1C和S1D；表S1）。一方面，使用图自监督学习策略⁵³来补充序列比对和基于PLM的表征，以实现稳健的蛋白质嵌入学习。该策略鼓励蛋白质节点嵌入在由随机边和节点特征丢弃生成的图变体之间保持一致性。另一方面，UniPert使用基于对比学习的对齐策略⁵⁴，利用大量化合物-靶点相互作用（CPIs）集合（包括涉及4,250个蛋白质和8,533个化合物的53,963对），将化合物和蛋白质映射到共享空间中。这种模态间对齐将相互作用的化合物-靶点对在空间中拉近，并捕获它们在通路中的共享角色。 UniPert学习功能信息丰富的嵌入，用于注释未被充分研究的分子分子注释的不平等阻碍了生物医学的进步，因为大多数研究都集中在数量有限、特征日益明确的分子上⁵⁵。未充分研究蛋白质倡议旨在通过系统性地将未表征的蛋白质与已注释的对应物联系起来，来解决这一差距⁵⁶。这一目标可以通过将基于相似性的方法与可解释的分子语义表征相结合来推进⁵⁷⁻⁵⁸。为此，我们评估了UniPert嵌入的功能和生物学可解释性，及其支持小分子和大生物分子跨不同分类系统（包括药物MoA类别、蛋白质药理学类别（PCLs）、蛋白质家族类别和层级）进行注释的能力（图2A）。 对于小分子药物，我们汇编了2,812种已知MoA的化合物，并进行了语义相似性分析（表S2；见STAR Methods）。我们检查了所有药物对的嵌入相似性，并将其分布与同一MoA类别内药物对的分布进行比较，用标准化均值差（SMD）进行总结。与ECFP相比，UniPert在18个MoA中的13个中显示出改善的MoA间相似性分离，平均SMD从1.61增加到1.85（图2C），表明其编码机制关系的能力增强。值得注意的是，“GABAAR；阴离子通道正变构调节剂（PAM）” MoA类别中的药物对显示出非常低的ECFP相似性，而UniPert在嵌入空间中将它们拉近了很多（图2B）。为了进一步说明，我们检查了GABAA受体结构，发现其配体结合到多个不同的位点⁵⁹⁻⁶¹，这与它们的结构异质性和低ECFP相似性一致（图2D）。通过整合先验CPI知识和增强的蛋白质编码器，UniPert可能捕获了超越化合物结构本身的、与MoA相关的共性，例如共享的蛋白质复合物特征，从而为复杂的多药理学提供了补充视角。 对于蛋白质靶点，我们首先对4,417个人类蛋白质靶点进行了聚类分析，这些靶点具有专家整理的层级PCL注释（表S3）。这些分类涵盖了从广泛的靶点类别到特定的亚类，反映了生物学和药理学关系中日益增加的粒度（图S2A）。与ESM相比，UniPert在多个层级水平上更准确地组织了35个靶点PCLs，调整兰德指数（ARI）和标准化互信息（NMI）分别提高了76.3%和47.0%（图2E）。跨5个主要靶点类别（酶、膜受体、表观遗传调节因子、转运蛋白和离子通道）及其亚类的比较进一步表明，UniPert学习到了一个可解释的嵌入空间，该空间在细粒度尺度上空间富集了具有药理学关系的蛋白质（图2F和S2B-S2E）。 对少数和未分类靶点的进一步研究，突显了UniPert在辅助蛋白质家族注释、推断调控关系和识别蛋白质-蛋白质相互作用方面的能力（图2G）。例如，UniPert正确地聚类了锌指蛋白、驱动蛋白超家族蛋白（KIFs）和微管蛋白等家族。值得注意的是，UniPert将先前未分类的蛋白质CENPE（着丝粒蛋白E，也称为KIF10）和FOXM1（叉头框蛋白M1，一种调控细胞周期基因表达的关键转录因子）定位在KIFs附近，这与报道的CENPE的KIF成员身份⁶²以及FOXM1与KIFs之间的调控关系⁶³⁻⁶⁵一致（图2G，左）。UniPert还捕获了不对称PD-1/PD-L1复合物亚基之间的相互作用⁶⁶（图2G，右下）。此外，与其他先进的PLMs（包括ESM和OntoProtein）相比，UniPert在组织分层蛋白质家族结构（即超家族、家族和亚家族）方面表现出显著优势（图S3A），并且在参考人类基因组蛋白集（图S3B）中富集共享保守功能基序的蛋白质方面也表现更优（图2H、S3C和S3D）。卓越的基序级表征和富集能力有助于发现保守的功能元件，支持在未充分表征的蛋白质空间中进行更精确的功能推断、靶点发现和跨物种注释转移。 UniPert增强了对未见过的单基因和多基因扰动的预测随着高通量筛选数据可用性的增加，生物扰动建模引起了越来越多的关注⁶⁷。然而，现有模型通常难以泛化到先前未见过的实验条件³⁴。为了评估UniPert在此类OOD环境中的能力，我们将其系统地嵌入到两个代表性的扰动效应预测框架GEARS⁶⁸和CPA⁶⁹中，并在跨越不同扰动领域、复杂性和规模的数据集上进行了基准测试（图3A）。 我们首先研究了UniPert在GEARS衍生框架中的作用，并将其与PseAAC⁷⁰、ESM²⁶和OntoProtein²⁷进行了比较（图S4A；见STAR Methods）。对于单基因扰动，我们在Dixit数据集⁷¹上评估了预测性能。与其他编码器相比，UniPert在三个评估指标上均取得了更好的性能（图3B）。在涉及未见过的细胞周期调节因子CEP55和转录因子AURKA和AURKB扰动因子的案例中，UniPert与观测到的基因表达变化的相关性高于原始GEARS模型（图S4B）。 接下来，我们使用Norman数据集⁷²在更复杂的组合基因扰动任务上评估了UniPert，该数据集包含三种测试场景：(1)组合中的两个基因在训练期间都被见过，(2)一个基因被见过，(3)两个基因都未被见过。在这些场景中，UniPert在后两种情况下优于其他方法，特别是当两个基因在训练期间都未被见过时（图3C）。这种模式可能归因于编码器设计的差异。ESM通过在大规模蛋白质序列上进行自监督学习训练，捕获了丰富的序列内特征，因此受益于在训练期间直接观察到的扰动基因。相比之下，UniPert额外整合了CPI信号以及与蛋白质结构域和基序相关的功能线索，注入了与相互作用和网络相关的背景信息，从而支持了对新基因组合更稳健的外推。对前20个差异表达基因（DEGs）扰动后表达变化的更准确预测，进一步突显了UniPert在多基因扰动模拟中的优势。例如，对于未见过的CBL-CNN1组合，UniPert比GEARS更接近观测到的响应（图3D），并且在预测单个成员基因的效应时也保持了这一优势（图S4C）。 UniPert提高了跨数据规模对未见药物反应的预测除了遗传扰动，我们还在CPA衍生框架内评估了UniPert预测化合物处理细胞反应的能力，并将其与ECFP（用于chemCPA）⁷³、Uni-Mol³⁰和KPGT³¹进行了比较（图S4D；见STAR Methods）。我们在大规模sciPlex3药物筛选数据集²³上对这些编码器进行了基准测试（图S4E）。数据集按通路分层划分，来自包含超过10个成员的通路中的20%药物被保留作为未见过的测试药物，其余用于训练。在多个top-DEG截止值和细胞背景下，UniPert在皮尔逊相关系数（PCC）和均方误差（MSE）方面均优于chemCPA（图3E和S4F）。 除了大规模数据集，我们还对一个聚焦的组蛋白去乙酰化酶（HDAC）抑制剂子集进行了留一药物交叉验证。先前研究表明，靶向表观遗传调节因子的药物通常诱导高度相似的转录反应²³⁻⁷⁴。因此，我们从sciPlex3数据集中提取了17种HDAC抑制剂在1 μM处理24小时后的扰动后基因表达谱。低维投影揭示了三种细胞系中一致的响应轨迹，其中非选择性HDAC抑制剂（如帕比司他、quisinostat和abexinostat）诱导的反应最强，而效力较低的抑制剂（如tacedinaline）对特定HDAC靶点显示出更高的选择性（图3F）。随后的分析表明，UniPert比ECFP更有效地捕获了这些抑制剂之间的药理学区别（图3G）。在对9种反应最强的抑制剂进行的留一药物评估中，UniPert相比其他方法取得了优越的性能（图3H）。结构比较进一步显示，这些强效抑制剂在锌离子结合基团（ZBG）和帽状区域共享关键特征，这与已建立的药理学知识一致⁷⁵，表明UniPert具有捕获有意义分子特征的能力。 G2CP利用遗传筛选来增强计算机模拟药物筛选当代靶向治疗需要更紧密地整合疾病机制阐明和背景感知的药物筛选⁷⁶。尽管全基因组关联研究（GWAS）和基于CRISPR的功能基因组学极大地推进了基因型-表型映射和个体特异性靶点识别⁷⁷⁻⁷⁹，但临床前转化仍然受到实验药物筛选规模和通量有限的制约。基于结构的虚拟筛选可以加速早期药物设计⁸⁰⁻⁸¹，但其在模拟药物反应的细胞异质性方面存在固有的局限性⁸²（图4A）。这些局限性凸显了对整合分子和表型特征以进行背景感知的计算机模拟筛选的综合计算框架的需求⁸³⁻⁸⁵。 为此，我们开发了G2CP，一个遗传到化学扰动迁移学习框架，该框架建立在UniPert统一多模态扰动表征和改善多领域扰动表型预测的能力之上。在G2CP中，预测模型首先在遗传筛选数据上进行预训练，以学习细胞的遗传背景和与不同靶向通路相关的响应模式，随后在化学扰动数据上进行微调，以适应化合物响应的动态变化（图4B；见STAR Methods）。通过利用迁移学习和系统性的CRISPR功能筛选，G2CP弥补了实验数据中化学扰动空间覆盖稀疏的问题，从而实现了更高效的、背景感知的高内涵计算机模拟药物筛选。 为了验证G2CP的有效性，我们整理了公开可用的大规模双领域筛选数据，包括Library of Integrated Network-based Cellular Signatures (LINCS; 图4C)⁴和Joint Undertaking in Morphological Profiling-Cell Painting Gallery (CPJUMP1; 图S5E和S5F)⁸⁶。然后，我们通过系统地改变遗传预训练和化学微调数据的比例，进行了全面的交叉比例评估，并将G2CP与三个基线进行了比较：(1) 空模型（真实 vs. 对照），(2) 相同扰动因子的重复一致性（真实 vs. 真实），以及 (3) 一个未经过遗传预训练的、其他方面相同的预测模型（图4D）。 对于转录组学LINCS数据集，G2CP在PCC上显示出显著改善（图4E，顶部）。没有遗传预训练时，PCC随着用于建模的化合物数量增加而逐渐提高。相比之下，经过完整遗传预训练的模型在五种背景下提供了更稳健和准确的预测，在20%化学训练比例下实现了375.4%的整体提升（图1C）。当遗传预训练比例从10%增加到50%时，观察到了显著的增益，而进一步增加只产生微小的变化，表明在大约2,500个基因上进行预训练可能足以获得大部分益处。化学扰动因子较少的数据集（即HT29，少于4,000个化合物）即使在80%化学训练数据下也难以达到理想性能，而G2CP弥补了这一限制。此外，与PCC不同，由相同扰动因子诱导的真实测量的扰动后效应重复之间的MSE值，始终高于其他基线和G2CP预测值（图4E，底部）。这一结果表明，由相同扰动因子诱导的基因表达变化在方向上比在幅度上更一致和可预测。 为了进一步剖析遗传预训练和化学微调对G2CP的影响，并探索未来优化的方向，我们在LINCS数据集上进行了大量实验（图S5A），采用了考虑细胞背景、基因必要性和化合物相似性的训练策略（见STAR Methods）。首先，跨全面的交叉比例预训练和微调设置的性能显示，对遗传预训练数据量的敏感性高于对化学微调数据量的敏感性（图4F和S5B）。此外，在整合的多背景遗传筛选数据上进行预训练，其表现往往不如细胞系特异性预训练，这可能是因为组合异质性背景稀释了背景特异性的扰动信号。相反，将背景特异性的基因必要性纳入遗传扰动因子的选择中，提高了预训练效率，在相同预训练数据量下，比随机基因选择产生了更好的性能（图4G和S5C）。最后，基于相似性的化合物划分略微降低了预测性能，其中基于ECFP相似性的划分导致性能下降最大。尽管如此，经过遗传预训练的模型比未预训练的模型受到的影响更小（图4H和S5D）。 对于形态学CPJUMP1数据集，预训练和未预训练的模型在两种细胞系中都表现出有限的预测性能（图S5G）。这可能反映了几个因素：(1) 两个领域的扰动条件数量较少，提供的训练数据不足以学习有意义的模式；(2) 形态学谱提取方法可能无法充分捕获扰动后状态；(3) 有限的质量控制，包括潜在的孔位置效应，可能引入了大量噪声。最近的研究也注意到了类似的担忧⁷⁻⁸⁷。 UniPert-G2CP生成多细胞扰动因果空间在通过广泛的基准测试验证了UniPert和G2CP在建模生物扰动原因（扰动因子）及其产生的效应（表型状态）方面的有效性之后，我们接下来将它们的应用扩展到跨多个细胞背景的扰动因果关系联合分析。这一扩展使得能够系统性地研究扰动反应中的细胞异质性，这是精准医疗中识别背景特异性治疗策略的关键一步⁸⁸⁻⁹¹。 为了严格构建背景特异性的扰动预测模型并进行无偏的跨背景评估，我们标准化了五个LINCS数据集的训练流程。借鉴原始CMap工作流程⁴，该流程将扰动因子分为注释良好的（Touchstone）和未注释的（Discovery）集合，我们将此方案适配到G2CP模型训练中。具体来说，对于每个细胞系数据集，我们将所有遗传扰动因子（约5,000个基因）指定为用于预训练的Background集，将1,012个化学扰动因子（与CMap Touchstone重叠并涉及452条通路）指定为用于微调的Touchstone集，其余6,839个化合物（每个数据集范围从2,378到6,664个）作为用于评估的精炼Discovery集。此过程在统一的G2CP训练协议下，产生了五个独立训练的、背景特异性的扰动预测器（图5A，左）。 我们首先使用UniPert为Background、Touchstone和Discovery集构建了一个无背景、跨领域的扰动因子嵌入空间（表S5）。通过整合PharmGKB通路证据⁹²，我们对该空间进行了注释（见STAR Methods）。基于通路标签的等高线图显示，UniPert有效地聚类了参与共享通路的基因和药物（图5B）。值得注意的是，某些通路表现出相似的模式，例如选择性5-羟色胺再摄取抑制剂通路和交感神经通路，以及vemurafenib和sorafenib通路。UniPert还区分了同一化合物（如布洛芬）的药代动力学和药效学角色，根据其机制背景形成了独立的等高线。 为了量化这个统一空间内的扰动因子关系，我们计算了4,994个遗传（基因）和7,860个化学（chem）扰动因子所有组合的成对余弦相似度得分。在超过8200万对中，基因-基因和chem-chem显示出明显不同的相似性分布（图5C）。chem-chem相似性遵循更广泛、接近正态的分布，反映了小分子的结构多样性和灵活性。相比之下，基因-基因相似性分布更窄，这可能是由于生物分子的进化保守性和功能约束。基因-chem对的相似性分布与chem-chem对非常相似，但均值略低，表明UniPert将多模态扰动因子连贯地嵌入到了一个统一的语义空间中。 我们进一步在一个新整理的CPI数据集上进行了保留评估，以评估基因-chem扰动因子相似性是否有助于关联先前未观察到的CPIs（图S6A；见STAR Methods）。在多个富集截止值下，UniPert在排名靠前的候选物中富集了真正的配体（图5D），表明其在已知化合物之外对新CPI进行优先级排序的泛化能力。在以前的跨领域扰动连接分析中⁴⁻⁸⁶⁻⁹³⁻⁹⁴，扰动因子关联是通过基于文献的共享描述符注释（如MoA、基因本体论（GO）和通路成员资格）手动整理的。然而，这个过程是(1)繁琐且耗时的，(2)限于二元值，无法反映关系强度，(3)严重依赖先验知识，降低了对未充分研究靶点和化合物的适用性。UniPert的多模态、基于序列的分子表征有助于解决这些限制。 最后，我们使用五个训练好的预测器对Discovery集进行了跨背景验证，以评估它们是否能捕获不同细胞背景下扰动反应的异质性，这模拟了精准医疗应用中遇到的生物学复杂性（图5E）。结果显示，每个背景特异性模型在其对应的测试集上表现出最佳的PCC性能，突显了这些预测器捕获潜在细胞异质性的能力。 联合扰动因果空间揭示PCL细胞敏感性机制驱动的治疗可以通过利用PCL级别的MoA知识来指导治疗决策，然而同一PCL的成员在不同的细胞环境中可以表现出截然不同的转录反应⁹⁵。因此，量化PCL特异性的细胞反应敏感性对于识别背景依赖性脆弱点和指导精准治疗至关重要⁹⁶。 我们通过比较PCL级别的、UniPert衍生的分子相似性矩阵（CScause）与多个G2CP衍生的、背景依赖的表型连接矩阵（CSeffect），来量化这种敏感性（图5A，右；见STAR Methods）。CScause为比较不同背景下的表型连接提供了一个可泛化的基线，从而避免了多背景标准化的需要。使用带有Spearman相关（ρ）的Mantel检验来衡量每个背景下CScause和CSeffect之间的一致性。较高的ρ表明，在特定背景下，PCL内的分子关系更一致地转化为连贯的转录反应，反映了更强的细胞敏感性。 我们对Subramanian等人⁴整理的一组经过实验验证且具有足够成员数的PCLs进行了这项联合分析。正如预期，大多数PCLs表现出强烈的成员间分子相似性和背景依赖的表型连接性（图5F和S6C-S6J）。所有PCLs在五个背景下都产生了正向的因果对应关系（ρ > 0），且敏感性各不相同，UniPert在平均对齐度上优于ECFP4（0.43 vs. 0.38），并恢复了更多报道的显著背景（图5F和S6B）。值得注意的是，雌激素受体（ER）激动剂是乳腺等组织中雌激素信号传导的关键介质，表现出显著的背景依赖性，在MCF7乳腺癌细胞中观察到的敏感性最高（ρ = 0.73；图5G）。同样，过氧化物酶体增殖物激活受体（PPAR）激动剂在HT29和PC3中显示出最大敏感性，这与先前的报道一致。此外，ER激动剂的CScause捕获了共享保守四环甾体骨架的甾体雌激素之间清晰的结构相似性模式（图5G）。然而，这种模式在CSeffect矩阵中不那么明显，表明表型趋同不仅仅由化学结构相似性驱动，还受到细胞背景的强烈影响。 UniPert-G2CP揭示ER作用机制和内分泌耐药观察到的因果一致性为背景敏感性提供了定量测量。接下来，我们以MCF7中的ER激动剂为例，使用UniPert-G2CP进行定性机制归因。ESR1（ERα）是ER+乳腺癌的主要驱动因子，也是临床批准的内分泌疗法的靶点。在机制上，雌二醇（E2）结合配体结合域（LBD），该域包含配体依赖性激活功能2（AF2），以促进受体激活，并与DNA结合域（DBD）协同作用调控雌激素反应元件；选择性ER调节剂（SERMs）和选择性ER降解剂（SERDs）施加不同的调节模式⁹⁷，而LBD的复发性突变（如Y537S和D538G）模拟了E2结合的活性状态，可能导致耐药⁹⁸（图6A）。因此，我们组装了一个跨越ESR1突变体/结构域和ER配体的计算机模拟交叉扰动面板，然后分析它们的分子关系和转录表型，以解释ER调节机制和耐药相关的响应转变。 在分子原因空间中，UniPert捕获了稳健的ESR1-配体连接性（高于约0的随机期望），并解析了ESR1内细粒度的、功能相关的亚序列贡献（图6B）：LBD和DBD的耦合强于AF1和铰链区，并且也能检测到突变驱动的细微变化。在表型效应空间中，MCF7在ESR1敲除和ER激动剂处理之间表现出一致的低连接性（图6C），这与增强的ER信号依赖性一致。我们进一步比较了MCF7中ESR1野生型（WT）/结构域/突变体敲除和代表性内分泌治疗在978个标志基因上的预测转录反应分布（图6D）：铰链区和AF1的扰动最接近对照，而突变效应在表型上被放大（Y537S→D538G→双突变），趋向于类似DBD破坏的状态。对差异响应基因的分析突显了几个报道的潜在乳腺癌标志物/靶点（例如，CCNA1、NCK1和HSPB1⁹⁹⁻¹⁰¹），并揭示了氟维司群处理下SRC的升高¹⁰²（图6E；见STAR Methods）。在ESR1突变体与WT敲除中，DUSP3和RRS1的较低表达¹⁰³⁻¹⁰⁴，以及MYC相关、DNA修复、上皮间质转化和脂肪酸代谢通路的差异富集¹⁰⁵⁻¹⁰⁸，提示了与耐药相关的基因和程序（图6F；见STAR Methods）。总之，这些观察结果支持了使用UniPert-G2CP进行计算机模拟遗传和化学扰动所得发现的生物学合理性。5. 讨论 尽管在模拟扰动诱导的细胞状态方面取得了相当大的进展¹⁰⁹⁻¹¹⁰，但大多数现有方法主要关注表型效应预测，而忽略了扰动因子固有的语义结构和关系。此外，扰动因子之间在数据模态和文库规模上的显著差异阻碍了跨领域建模和整合分析。UniPert-G2CP通过从原因和效应两个角度统一扰动表征¹¹¹⁻¹¹²，利用多模态分子表征学习和跨领域扰动表型迁移学习，解决了这些局限性。这种方法极大地增强了生物因果模型跨数据模态、实验规模和生物学背景的泛化能力。 在分子（扰动原因）层面，UniPert利用先验知识和对比学习，在共享空间中建立了大生物分子和小分子之间的语义关系。其编码器整合了ECFP、MSA、PLM和GNN，以保留跨模态分子中有意义的功能基团信息。这个可解释、可扩展的空间能够对未充分研究的蛋白质和类药化合物进行功能注释和聚类。作为一个生物学知识引擎，它不仅改善了对先前未见过的基因扰动或化合物处理的转录反应的预测，还减轻了对手动注释的需求，促进了跨领域筛选分析，简化了计算工作流程，并扩展了扰动研究的范围。 在表型（扰动效应）层面，G2CP通过利用密集、系统性的遗传筛选来弥补具有巨大搜索空间的稀疏化学筛选，从而改变了计算机模拟高内涵药物筛选的成本效益。大量实验证明，“基因预训练 + 药物微调”策略能有效预测跨背景的化合物反应，捕获那些原本需要大量实验操作才能观察到的背景依赖性药物效应。尽管当前的扰动研究主要集中在转录组学分析，但基于图像的谱分析作为成本更低的细胞谱分析方法，在未来的模型开发中具有巨大潜力¹¹³⁻¹¹⁴。此外，随着其他组学层面数据的增长¹¹⁵⁻¹¹⁷，如蛋白质组学¹¹⁸⁻¹²⁰和表观基因组学¹²¹⁻¹²³，G2CP完全有能力支持多组学细胞状态的整合建模。 从计算机辅助药物发现的角度来看，UniPert-G2CP使得虚拟筛选能够超越细胞状态无关的方法（如对接¹²⁴⁻¹²⁵），转向一个统一框架，该框架联合建模无背景的分子关系以及背景感知的表型后果¹²⁶，揭示那些可能被仅基于分子或仅基于表型的分析所错过的治疗机会。这个基于生物学的框架通过桥接分子级建模与临床前药物反应预测，支持更现实的计算机模拟化合物优先级排序和早期筛选，为更理性和个体化的治疗干预铺平了道路。 在转化精准医疗的背景下，UniPert-G2CP通过基于患者特异性遗传背景预测个体药物反应，为计算机模拟临床试验和个性化治疗规划铺平了道路²⁻¹²⁷⁻¹²⁸。此外，通过解耦跨不同细胞背景的扰动效应，UniPert-G2CP为系统性地研究机制感知的药物反应异质性提供了一个强大的工具。这些表型类比为识别新的治疗适应症提供了基础，并支持超越传统以靶点为中心的方法的、机制驱动的药物重定位策略¹²⁹。 在其核心，UniPert-G2CP是一个通用的计算框架，用于跨遗传和化学扰动联合建模分子原因和表型效应。它为生物因果建模和AIVCs提供了基础，这些AIVCs能够预测跨背景的干预结果，支持诸如遗传和化学扰动的虚拟筛选以指导个性化治疗决策，以及大规模计算机模拟假设生成以揭示新的生物学见解等应用。 研究的局限性UniPert-G2CP的高度模块化设计便于未来的扩展和迭代改进。首先，UniPert在扰动因子嵌入维度上存在固有的容量-效率权衡：更大的嵌入可以增加表征容量，但也会提高计算和内存成本。未来的工作可以探索推理时的图压缩，例如剪枝或粗化冗余、高度相似的节点¹³⁰，以减少计算开销并提高可扩展性。其次，虽然UniPert-G2CP统一了遗传和化学扰动建模，但它不能显式地表征蛋白质编码基因之外的遗传扰动，这限制了对非编码区干预的建模，而这些区域对基因调控至关重要¹³¹。未来的扩展可以整合更多的生物序列语言模型，如用于DNA的Evo²⁸和用于RNA的RNAErnie¹³²，为遗传扰动提供更细粒度和全面的表征。第三，具有统一表型读出空间的多领域扰动资源仍然稀缺且生产成本高昂，这限制了UniPert-G2CP的更广泛采用。未来的工作可以整合表型对齐方法，可能利用表型基础模型¹³³⁻¹³⁴，以实现跨具有不同检测读数的数据集进行映射和迁移¹³⁵。