Sulindac

成果 | scKAN助力细胞特异性基因发现与药物重定位 单细胞测序技术就像“显微镜下的基因地图”，让我们看清了生物过程中细胞异质性的 “千人千面”。但当前分析方法却被三大瓶颈卡住：计算开销过高、模型可解释性较差、与临床下游应用间还隔着“一道鸿沟”。为打破这一困局，本研究提出了一种可解释深度学习框架scKAN：创新地融合了知识蒸馏与科尔莫戈罗夫-阿诺德网络（Kolmogorov-Arnold Networks, 简称KAN），通过轻量级的架构精准捕捉细胞类型特异的基因表达模式。scKAN不仅在细胞类型注释任务上表现卓越，还能系统性地识别功能性标志基因，对接临床药物研发，搭建起从单细胞研究到精准医疗转化的桥梁。 论文简介 论文信息 📚 文章题目：scKAN: Interpretable Single-cell Analysis for Cell-type-specific Gene Discovery and Drug Repurposing via Kolmogorov-Arnold Networks 👥 作者姓名：Haohuai He, Zhenchao Tang, Guanxing Chen, Fan Xu, Yao Hu, Yinglan Feng, Jibin Wu, Yu-An Huang, Zhi-An Huang, Kay Chen Tan 📖 发表期刊：Genome Biology 📎 论文地址：https://doi.org/10.1186/s13059-025-03779-0 🏭 开源链接：https://github.com/hehh77/scKAN 01 研究背景 单细胞技术通过提供前所未有的高分辨率视角，彻底改变了我们对生物过程和人类疾病中细胞异质性的理解。细胞类型注释是这一技术革命的基石，其核心在于识别能够区分不同细胞群体的标志基因表达特征。这些特征对于维持细胞身份功能、研发治疗靶点等具有重要意义。 目前，人工智能（尤其是大语言模型 LLM）在单细胞分析领域展现出巨大潜力，但要落地还需突破三大技术壁垒。 计算资源需求高：大通常需要海量的计算资源进行预训练，并且在应用于新数据集时仍需大量的微调才能达到理想精度。 全局信息依赖性强：先前方法所依赖的注意力机制通过计算所有基因的加权信息来学习“全局上下文”，但这种全局性使得模型难以直接、清晰地分离和解释某类细胞专属的基因互作关系，可解释性仍存在局限性。 下游应用能力差：目前的单细胞分析方法缺乏与下游应用的有效衔接，其产生的生物学见解与药物发现等临床开发环节中间存在明显断层。 02 技术路线 针对上述痛点，本研究设计单细胞柯尔莫哥洛夫-阿诺德网络 (scKAN)，旨在实现计算效率、模型性能与生物学可解释性的统一，并同步判别具有生物学意义的细胞类型特异标志基因与基因集。如图1所示，scKAN采用“教师—学生”的知识蒸馏范式：以预训练的单细胞LLM为教师模型、以基于KAN的轻量级网络为学生模型。整体流程大致分为两步： 微调教师模型：在特定数据集上对已在大规模无标签细胞数据上预训练的模型进行定向微调 知识蒸馏：通过知识蒸馏训练学生模型，使其能够融合教师模型的先验知识和真实细胞类型的标签信息。 为提升教师模型对特定下游任务的预测精度，本研究使用了多来源的胰腺癌数据集和九类癌种综合数据集进行训练与评估。此外，为确保学生模型的高效学习与表征能力优化，设计了由三部分组成的复合损失函数： 知识蒸馏损失：将交叉熵和教师模型的软标签结合，引导学生模型模仿教师模型的预测； 自熵损失：抑制对优势细胞类型预测的过度集中，确保对稀有细胞群体的敏感性； 深度散度聚类损失：约束隐藏表示与理想的细胞类型分布一致，促进跨细胞类型的泛化性。 得益于该设计，scKAN具备两项关键可解释性优势：其一，借助改进的归因机制，可量化单基因对特定细胞类型判别的重要性；其二，对学习到的相似激活函数曲线进行聚类，能够揭示功能相关的基因集与细胞类型特异通路。 ■  图1：模型架构和工作流程 03 scKAN在跨研究和跨疾病场景下表现稳健 为了全面评估scKAN的泛化能力和稳定性，本研究在跨研究和跨癌种实验场景下进行性能验证，使用涵盖多来源的胰腺数据集与九类癌种数据集进行性能评估。 如图2a-f所示，在胰腺数据集的跨研究测试中，scKAN表现出卓越的性能。当模型面对来自全新、未曾见过研究批次的细胞数据时，其预测准确性显著优于scGPT和Tosica等基准模型。UMAP可视化结果同样证实了所预测的细胞类型分布与真实标签高度一致。这一结果表明，scKAN能够学习到超越实验批次效应的、细胞内在的生物学特征，具有强大的泛化能力。 在更为严苛的跨癌种测试中，scKAN的优势依然明显（图2g-m）。实验要求模型利用从六种癌症中学习到的知识，去注释来自另外三种新癌症类型的细胞。实验结果显示，scKAN的性能依旧领先所有基线模型，证明了该框架能够捕捉到更为本质、可跨越疾病状态迁移的细胞生物学模式，而非对特定数据集的表面拟合。 ■ 图2：scKAN在跨研究和跨疾病场景下的性能评估结果 04 scKAN增强细胞特异性基因集和通路发现能力 scKAN框架能够从已学习的参数中解码生物学功能模块，显著提升其可解释性。具体而言，模型通过学习基因-细胞间的激活曲线来编码基因在不同细胞类型中的表达调控模式。激活曲线形态的相似性直观地反映了基因间潜在的功能协同或共调控关系。 如图3所示，本研究通过对scKAN在PBMC免疫细胞数据集上学习到的激活曲线进行层次聚类，成功识别出多个功能高度内聚的基因程序。例如，聚类获得的一个基因簇包含了编码CD8受体复合物的CD8A、CD8B基因，以及T细胞关键效应分子GZMA，明确指向了CD8+ T细胞的功能模块。另一簇富集病原识别受体TLR2和炎症核心调控因子TNFAIP3，对应先天免疫及炎症反应相关的通路。 定量比较分析表明，相较于基于全局嵌入的scGPT模型，scKAN能够识别出数量更多、功能特异性更强的生物学通路。这一优势主要归功于KAN的激活曲线能够捕捉到更加精细和上下文相关的基因共表达模式，而这类微妙的生物学信号在全局表征模型中易被平滑或掩盖。因此，scKAN为解析特定细胞状态下的精细调控网络提供了更清晰的视角，有助于实现更准确的生物学解读。 ■ 图3：scKAN的基因集识别和通路分析能力 05 scKAN发现可靠的细胞特异性标志基因现方案 准确识别细胞标志基因是理解细胞身份与功能的关键。scKAN通过为每个基因计算其对特定细胞类型判别的重要性分数，量化其贡献度，提高细胞标志基因识别的准确性。如图4所示，在PBMC数据集中，由scKAN识别出的关键基因既具有显著的统计学差异，也覆盖了更高比例的真实差异表达基因。此外，文献交叉验证显示，多数高分基因与已知细胞标志物一致，印证了模型结果具备的生物学可靠性。 值得强调的是，scKAN的重要性分数提供了超越传统差异表达分析的见解：功能上关键的基因，即便表达变化不显著，也可获得较高的重要性评估。该能力突破了传统方法仅关注高表达差异基因的局限，为发现新的细胞身份决定因子和潜在药物靶点开辟了新途径。 ■ 图4：scKAN的标志基因识别与验证结果 06 scKAN在胰腺癌案例研究中展现出药物重利用价值 为评估scKAN在转化医学中的应用价值，本研究以胰腺导管腺癌（Pancreatic Ductal Adenocarcinoma, 简称PDAC）为案例，开展了系统的药物重定位研究。 如图5所示，首先利用scKAN识别出PDAC导管细胞的特异性标志基因。基于所学激活曲线的相似性，进一步锁定由FAP、LGALS3、MTHFD2等基因组成的功能核心基因集，作为潜在的药物靶点组合。随后，通过先进的药物-靶点亲和力预测模型，对美国FDA批准的2509种药物进行虚拟筛选，发现Doconexent和Sulindac最具潜力。随后，针对评分最高的Doconexent 开展了分子对接和长达100纳秒的分子动力学模拟。结果显示Doconexent能够与FAP、LGALS3等多靶点蛋白形成高度稳定的结合构象，证明scKAN具备面向特定疾病的候选药物筛选与优选能力，显示出良好的转化潜力。 ■ 图5：scKAN在胰腺癌药物重定位案例中的分析结果 07 结语 本研究提出了一种基于KAN的可解释单细胞分析框架scKAN。通过融合知识蒸馏与轻量级网络架构，scKAN在计算效率、模型性能与生物学可解释性之间实现兼顾与平衡。该框架不仅在细胞类型注释任务上表现出优越的性能，其独特的激活曲线和重要性分数机制能够直接支持细胞特异性的功能基因集与标志基因的发现。在PDAC药物重定位的应用验证中，scKAN成功贯通从基础发现到候选药物优选的关键环节，展示了其连接基础研究与临床应用的潜力。综上，scKAN为单细胞数据分析提供了新的思路，有望在精准医疗和药物研发的多个关键环节发挥作用，为攻克复杂疾病带来新的契机。未来工作将进一步拓展其泛用性，面向单细胞多组学数据的联合分析与解析。 ✉️ 何昊淮： 香港理工大学数据科学与人工智能系博士二年级研究生。2021年及2024年于中山大学智能工程学院分别获工学学士与硕士学位。 他的主要研究兴趣集中在计算生物学、药物设计与单细胞分析等领域，目前主持国家自然科学基金青年学生基础研究项目（博士研究生），项目题为“基于可解释单细胞分析的靶点发现与药物设计的关键技术研究”。 更多研究成果与进展，欢迎持续关注 MIND LAB！ MIND LAB POLYU MIND LAB 官方微信公众号 长按识别二维码关注我们 👥 编辑：胡尧，张亚杰 👥 排版：闫若璠