用于单细胞扰动预测的潜在动态因果过程学习
机器学习
2026-05-26 v1
摘要
单细胞扰动预测旨在推断细胞对未见干预的反应，实现外分布/generalization (OOD) 泛化，为理解扰动如何随时间重塑细胞程序提供计算途径。现有机器学习方法取得了重要进展，但通常仅捕捉反应的一面。潜在因果方法寻求支持泛化与解释的机制，但常将扰动效应视为静态结果。时序模型描述了基因表达随时间的变化，却通常不显式恢复驱动这些变化的潜在因果生成机制。在实践中，扰动效应既是潜在的又是动态的：干预通过未观察的细胞程序作用，其状态随时间演化并导致观察到的表达轮廓。针对这一观点，我们提出一种用于单细胞扰动数据的潜在动态因果生成模型，联合捕捉潜在细胞程序、扰动条件化机制以及时序演化。我们进一步提供了可辨识性分析，表明在适当条件下，潜在因果变量可在标准等价类下被恢复。针对该分析，我们开发了CITE-VAE，用于从单细胞测序数据中恢复潜在细胞程序及其扰动驱动的动态。在Causal-3DIdent上的实验验证了理论结果和所提方法在受控环境中的有效性。此外，对真实世界CRISPR-based单细胞扰动数据的实验表明，我们的方法在 generalization 到未见扰动方面优于最先进的基线，凸显了方法的实用性鲁棒性。
引用
@article{arxiv.2605.25581,
title = {Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction},
author = {Wenkang Jiang and Yuhang Liu and Erdun Gao and Ehsan Abbasnejad and Lina Yao and Javen Qinfeng Shi},
journal= {arXiv preprint arXiv:2605.25581},
year = {2026}
}
备注
Accepted to SIGKDD 2026 AI4Science Track