MechPert：基于机械共识的不可见扰动预测归纳偏置
机器学习
2026-02-17 v1 人工智能
摘要
预测对未见基因扰动的转录反应对于理解基因调控和优先排序大规模扰动实验至关重要。现有方法要么依赖静态且可能不完整的知识图谱，要么提示语言模型获取功能相似的基因，检索由科学文献中对称共现所塑造的关联，而非由定向调控逻辑驱动。我们介绍 MechPert，这是一个轻量级框架，鼓励 LLM 代理生成定向调控假设，而非仅依赖功能相似性。多个代理独立提出具有关联置信分数的候选调控因子；这些被聚合通过共识机制过滤虚假关联，产生加权邻域用于下游预测。我们在 Perturb-seq 数据集上对四个人类细胞系进行评估。在低数据情境 ( 个观察到的扰动) 下，MechPert 对 Pearson 相关性的提升最高可达 10.5%。对于实验设计，MechPert 选定的锚定基因在 well-characterized 细胞系中相对于标准网络中心度启发式方法 outperform 最高可达 46%。
关键词
引用
@article{arxiv.2602.13791,
title = {MechPert: Mechanistic Consensus as an Inductive Bias for Unseen Perturbation Prediction},
author = {Marc Boubnovski Martell and Josefa Lia Stoisser and Lawrence Phillips and Aditya Misra and Robert Kitchen and Jesper Ferkinghoff-Borg and Jialin Yu and Philip Torr and Kaspar Märten},
journal= {arXiv preprint arXiv:2602.13791},
year = {2026}
}