单细胞基础模型的高效微调实现零样本分子扰动预测
机器学习
2025-04-14 v2 定量方法
摘要
预测新药引起的转录反应为加速生物医学研究和推进药物发现提供了独特机会。然而，细胞反应固有的复杂性和高维性，加上极其有限的可用实验数据，使得该任务具有挑战性。在本研究中，我们利用在数千万个单细胞上预训练的单细胞基础模型（FM），这些模型涵盖多种细胞类型、状态和疾病注释，来解决分子扰动预测问题。我们引入了一个药物条件适配器，通过训练不到原始基础模型1%的参数实现高效微调，从而在保留预训练期间学到的丰富生物学表征的同时实现分子条件化。所提出的策略不仅能够预测新药引起的细胞反应，还能零样本泛化到未见过的细胞系。我们建立了一个稳健的评估框架，用于评估模型在不同泛化任务上的性能，展示了在所有设置下的最先进结果，与现有基线相比，在新细胞系的少样本和零样本泛化方面有显著改进。
引用
@article{arxiv.2412.13478,
title = {Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction},
author = {Sepideh Maleki and Jan-Christian Huetter and Kangway V. Chuang and David Richmond and Gabriele Scalia and Tommaso Biancalani},
journal= {arXiv preprint arXiv:2412.13478},
year = {2025}
}