用于跨域可迁移药物扰动的单细胞转录组响应表征学习
机器学习
2025-01-16 v2 人工智能
摘要
表型药物发现因其潜在识别活性分子的能力而引起广泛关注。转录组学描绘提供了细胞对外部扰动所产生表型变化的全面反映。本文提出了 XTransferCDR，一种 novel 的生成式框架，用于特征解耦和跨域可迁移表征学习。给定一对扰动表达轮廓，我们的方法通过 domain separation 编码器将扰动表征从基底状态中解耦，然后在潜在空间中进行跨传输。然后，使用共享解码器重建对应的扰动表达轮廓。这种跨传输约束有效促进了可迁移药物扰动表征的学习。我们在多个数据集上进行了广泛评估，包括针对药物和单/组合遗传扰动的单细胞转录组响应。实验结果表明，XTransferCDR 的性能优于当前最先进的方法，展示了其在推动表型药物发现方面的潜力。
引用
@article{arxiv.2412.19228,
title = {Learning Cross-Domain Representations for Transferable Drug Perturbations on Single-Cell Transcriptional Responses},
author = {Hui Liu and Shikai Jin},
journal= {arXiv preprint arXiv:2412.19228},
year = {2025}
}
备注
Accepted by The 39th Annual AAAI Conference on Artificial Intelligenc (AAAI 2025)