Nat Compu Sci + NAR：刘琦教授团队发展基于子任务分解的单细胞扰动预测的AI新范式和开发单细胞扰动组学数据资源

解析基因功能对于理解复杂生物学过程、揭示疾病的发生发展机制以及新药研发等均具有重要的意义。单细胞遗传扰动测序正成为解析基因功能与复杂基因调控关系的新技术手段。利用基因扰动组学测序技术（例如Perturb-seq、CROP-seq等），我们能够在单细胞层面检测特定基因扰动后细胞转录谱层面的变化，进而关联特定扰动和表型，进一步开发有效的干预和治疗手段。

然而，潜在的基因扰动组合空间非常巨大，通过暴力搜索等实验测序手段探索如此庞大的组合空间并不可行。除此之外，单细胞扰动测序技术尚处于发展阶段，测序成本昂贵，进一步限制了对于多细胞系扰动数据的获取。因此，领域内亟需开发能够适用多种场景（单基因扰动、多基因扰动以及跨细胞系扰动）的单细胞扰动预测模型，以推动基因功能和复杂调控关系的解析和相关干预研究。

目前主流的单细胞扰动预测和分析方法主要分为三类：第一类方法是以CellOracle和SCENIC+为代表的基于基因调控网络构建的扰动预测建模，然而该类方法的准确性通常受限于调控网络的有效构建；第二类方法是以CPA和GEARS为代表的扰动表征方法，该类方法展现了其在单基因和多基因扰动上的有效性，但是在进行多细胞系的泛化时仍面临困难，限制了其应用范围；第三类方法是以scGPT、Geneformer以及scBERT为代表的单细胞大模型，这类方法能够产生可泛化至多细胞系的广义基因表征，进而在下游扰动预测任务上进行应用，但仍然缺乏对其扰动预测性能的系统性评估，已有研究表明，这些预测相较于简单线性拟合方法并没有显著提升。综上，领域内亟待对现有的单细胞扰动预测方法进行系统评估，并进一步发展普适、有效、高泛化性的单细胞扰动预测策略。

近日，同济大学生命科学与技术学院系、同济大学-上海自主智能无人系统科学中心刘琦教授课题组在Nature Computational Science上发表了题为：Toward subtask-decomposition-based learning and benchmarking for predicting genetic perturbation outcomes and beyond的研究论文。该论文提出了一种基于子任务分解的灵活、普适且高效的单细胞扰动预测AI框架 STAMP(SubTAsk decompositionModeling for geneticPerturbation prediction)，并建立了基于子任务分解的扰动预测的系统评估体系，旨在提升和评估模型在单基因扰动、多基因扰动以及跨细胞系扰动场景下的泛化能力，进一步推动单细胞扰动组学的智能解析和相关应用。