VCWM-State：面向单细胞扰动预测的细胞虚拟世界模型简介

摘要

        单细胞扰动测序（Perturb‑seq）技术可以观测基因敲除、药物刺激等干预之后细胞转录组的变化，但湿实验成本高昂、实验条件受限，很难遍历全部基因、药物以及不同细胞背景。Arc Institute发表在Cell上的State模型，是一套用于预测细胞扰动响应的深度学习框架，由SE（State Embedding，细胞状态嵌入模块）与ST（State Transition，状态迁移模块）两大核心组件构成。该模型不再对单个细胞进行建模，而是直接对细胞群体分布进行学习，能够在全新细胞背景下零样本预测扰动带来的转录组改变。同时文章配套开源评测套件Cell‑Eval，为扰动预测模型建立统一的量化评估标准。本文围绕论文核心思想、模块架构、评测基准、实验效果、局限与未来方向展开解析。

一、研究背景与现存痛点

Perturb‑seq可以获得扰动之后单细胞RNA测序数据，但现实中存在几大核心难题：

        很多传统方法假设细胞群体异质性可以忽略，简单将扰动细胞直接匹配对照组细胞；或者用最优传输OT做细胞一对一映射。但细胞是群体分布，并非简单的一一对应关系。State的核心创新：不去做单细胞一对一匹配，直接学习从“对照组细胞分布”变换到“扰动后细胞分布”的迁移算子。

核心数据生成假设： Xp=X0+Tp(X0)+α

X0：未扰动本底细胞状态；Tp：扰动p带来的状态改变；α为实验技术噪声。

X0无法直接观测，State从群体分布层面拟合这一变换，规避单细胞不可观测的问题。

二、State整体架构：SE嵌入模块 + ST状态迁移模块

State分为两大可独立使用又可以组合使用的子模块：

2.1 SE 细胞状态嵌入模块

SE是大规模自监督预训练编码器，在1.67亿人类单细胞数据上完成预训练，目标输出细胞的低维隐向量，抑制实验批次噪声，保留真实生物学信号。

关键设计点

• 基因表达预测损失：模型根据细胞嵌入，预测基因的表达量，同时兼顾细胞内基因重建、跨细胞基因表达模式一致性(即soft bin 重建损失—SE主目标)
• 数据集分类辅助损失：利用{DS}token预测这条数据来自哪一个数据集，迫使模型把技术批次信息放到这个专用token，把细胞真正生物学特征保留在{CLS}输出(其里面的全局信息就是后面交给ST的)

SE输出的细胞嵌入，既保留细胞类型、分化状态、通路活性等生物学信息，又很大程度剥离测序平台、批次等技术噪声。推理阶段不需要metadata元信息就可以得到细胞表征。

2.2 ST 状态迁移模块（State Transition）

ST是State的核心预测模块，以细胞集合（cell set）为输入单位，而非单个细胞。

传统模型输入：单个细胞；ST输入：一批S个细胞构成的细胞集合(也可以是经过SE编码后的隐状态)。

• 编码器将对照组细胞（原始表达矩阵或者SE输出嵌入）映射到隐空间；
• 扰动标签、batch标签编码为嵌入，加到细胞特征上；
• Transformer主干（GPT‑2/LLaMA改造为双向注意力，不使用位置编码，因为集合内细胞没有有序序列含义），在集合内全部细胞之间做自注意力，建模群体异质性；
• 残差式设计：Transformer学习的是扰动带来的状态变化残差，而不是完全重写细胞表征；
• 解码头把隐特征还原回基因表达空间。

     3. 损失函数：MMD最大均值差异  ST不使用MSE单细胞损失，使用MMD衡量「预测的扰动后细胞分布」和「真实观测扰动后细胞分布」两个概率分布之间的距离。 

        使用能量距离内核，优化目标是：让预测出来的细胞集合整体分布，和真实扰动后分布尽可能接近。

重要理论结论：在满足分布正则条件的前提下，ST模型的解空间包含最优传输OT映射，但不会强制约束必须是OT映射，相比专门的Neural‑OT模型拥有更大自由度，适配真实生物复杂变换。

两种运行模式

• ST+HVG：直接使用原始高可变基因表达作为输入，不需要SE预训练嵌入；适合数据集充足
• ST+SE：输入使用SE预训练出来的细胞嵌入，再通过解码器映射回基因表达；零样本、跨数据集泛化能力大幅提升

三、Cell‑Eval：单细胞扰动预测的标准化评测框架

        过去不同扰动预测论文使用五花八门评价指标，很难横向对比。该论文提出Cell‑Eval完整评测套件，从三个维度衡量模型预测质量：

核心指标说明：

        Cell‑Eval不仅给出数值指标，也配套可视化工具，现已开源，成为Virtual Cell Challenge虚拟细胞竞赛官方评测基准。

四、实验结果与关键发现

论文使用多套大规模扰动数据集：

• Tahoe‑100M：50多种癌细胞系，数百种药物化学扰动；
• Parse‑PBMC：人外周血，细胞因子扰动；
• Replogle‑Nadig：CRISPR基因敲除遗传扰动。

设置两类测试任务：

主要实验结论

五、State的优势与现存局限性

优势

局限性

六、应用价值与未来展望

现实应用价值

未来方向

七、总结

State代表单细胞AI从“静态细胞表征”走向细胞虚拟仿真（Virtual Cell）的重要一步。

• SE解决了跨数据集、跨批次的细胞表征问题；
• ST跳出传统单细胞建模范式，以细胞群体分布为单元，直接学习扰动对细胞群体的变换；
• Cell‑Eval为整个领域建立扰动预测模型的评测基准。

        State并不是真正完整细胞世界模型，它擅长“给定扰动，模拟细胞群体转录组分布变化”，但还缺少自主推演全新扰动、完整细胞生命周期动态演化的能力。但它已经证明：大规模单细胞扰动数据驱动下，在硅片上模拟细胞干预响应具备可行性，为虚拟细胞、AI辅助药物开发开辟了新路径。

项目开源地址： GitHub – ArcInstitute/state: State is a machine learning model that predicts cellular perturbation response across diverse contexts · GitHub Cell‑Eval评测库：https://github.com/ArcInstitute/cell‑eval