因果细胞情境迁移学习 (C3TL)：用于预测未见扰动效应的高效架构
机器学习
2026-03-16 v1 定量方法
摘要
预测化学和基因扰动对定量细胞状态的影响是计算生物学、分子医学和药物发现中的核心挑战。最近的研究利用大规模单细胞数据和大型基础模型来解决这一问题。然而，这些计算资源和大规模数据集在学术或临床环境中并总是不可获得的，从而限制了实用性。本文提出了一个轻量级框架，用于扰动效应预测，该框架利用生物学干预的结构特性以及特定的归纳偏置/不变性。我们的ethods利用扰动效应的可用信息，允许对新情境进行推断，仅需广泛可获得的bulk分子数据。 extensive testing 显示，针对真实大规模干预实验的预测结果表明，在新情境中能够准确预测。该方法虽然数据更简单、模型规模更小、所需时间更少，但与SOTA基础模型相当。我们表明，聚焦于稳健的bulk信号和高效架构，无需专用硬件或非常大的模型，就可以准确预测扰动效应，从而为一般化生物医学领域的因果学习方法打开了利用之路。
引用
@article{arxiv.2603.13051,
title = {Causal Cellular Context Transfer Learning (C3TL): An Efficient Architecture for Prediction of Unseen Perturbation Effects},
author = {Michael Scholkemper and Sach Mukherjee},
journal= {arXiv preprint arXiv:2603.13051},
year = {2026}
}
备注
12 Pages, 3 figures, Keywords: perturbation prediction, context transfer, lightweight, machine learning