设计多样性：解决模式崩溃提升单细胞 RNA 测序扰动建模中的表现
基因组学
2025-07-01 v1 机器学习
分子网络
机器学习
摘要
最近的基准测试揭示了单细胞扰动响应模型常常不如简单预测数据均值的模型。我们追溯到这一异常：以控制组为参考的 delta 以及未加权误差度量在控制组偏差或生物信号稀疏时会奖励模式崩溃。大规模 \textit{原生} 模拟和分析两套真实扰动数据集确认，共享参考位移而非真实生物变化驱动了这些评估中的高性能。我们引入差异表达基因(DEG)感知度量，加权均方误差(WMSE)和加权 delta () 相对于所有扰动，衡量在生物学信号中高灵敏度下的误差。我们进一步引入负向和正向性能基线以校准这些度量。通过这些改进，均值基线下降至零性能水平，而真正的预测器得到正确的奖励。最后，我们表明使用 WMSE 作为损失函数可减少模式崩溃并提升模型性能。
关键词
引用
@article{arxiv.2506.22641,
title = {Diversity by Design: Addressing Mode Collapse Improves scRNA-seq Perturbation Modeling on Well-Calibrated Metrics},
author = {Gabriel M. Mejia and Henry E. Miller and Francis J. A. Leblanc and Bo Wang and Brendan Swain and Lucas Paulo de Lima Camillo},
journal= {arXiv preprint arXiv:2506.22641},
year = {2025}
}