MapPFN：学习上下文中的因果扰动图
机器学习
2026-05-08 v3
摘要
规划对生物系统有效干预需要能够适应不可见生物背景并识别其特定基本机制的处理-效应模型。然而，单细胞扰动数据仅覆盖少数生物背景，现有方法无法在推断时利用新的干预证据来超越训练数据进行适应。为元学习扰动效应估计器，我们提出MapPFN，这是一种基于先验数据的前沿网络（PFN），其在具有因果干预的合成生物学先验上进行预训练，使预训练与有限的实验室数据相分离。与现有方法不同，MapPFN利用基于上下文的学习，将实验序列映射到扰动后分布，从而使单个预训练模型能够在推断时适应新数据集和任意基因集。零样本预测下，MapPFN在与在真实单细胞数据上训练的模型相当的水平上识别差异表达基因，微调进一步提高了跨生物背景的预测性能。我们的代码、模型和数据可在 https://marvinsxtr.github.io/MapPFN 查阅。
引用
@article{arxiv.2601.21092,
title = {MapPFN: Learning Causal Perturbation Maps in Context},
author = {Marvin Sextro and Weronika Kłos and Gabriel Dernbach},
journal= {arXiv preprint arXiv:2601.21092},
year = {2026}
}