基于条件Monge间隙的通用单细胞扰动建模

学习单细胞对各种处理的反应具有巨大的潜力，以实现靶向治疗。在此背景下，神经最优传输(OT)已成为一种原则性的方法论框架，因为它天然地容纳了因细胞破坏在数据获取过程中产生的非配对数据的挑战。然而，大多数现有OT方法无法对不同的治疗情境(例如时间、药物处理、药物剂量或细胞类型)进行条件化，且仍缺乏能够单一显示出对未见治疗具有良好推广性能的方法。本文提出了条件Monge间隙(Conditional Monge Gap)，其在任意协变量条件下学习OT映射。我们展示了其价值在于预测单细胞扰动响应时，条件于一个或多个药物、药物剂量或其组合。我们发现，我们的条件模型在scRNA-seq以及多组蛋白成像数据上的结果与条件特定的最先进技术相当，甚至在某些情况下更优。值得注意的是，通过聚合跨条件的数据，我们进行跨任务学习，这 unlocks 对未见药物或药物剂量的 remarkable 推广能力，广泛优于其他条件模型在捕捉扰动群体中异质性(即更高矩)方面的表现。最终，由于扩展到数百个条件并在未见药物上进行测试，我们缩小了基于结构和基于效果的药物表示之间的差距，表明通往成功预测未见治疗效果的道路正在逐步显现。