《Nature Machine Intelligence》:Predicting and interpreting cell-type-specific drug responses in the small-data regime using inductive priors
编辑推荐:
预测小分子化合物如何以表型方式影响多种细胞类型是药物发现的核心任务,但仍具挑战性。对细胞类型特异性转录响应进行建模可为早期候选药物识别提供可扩展的替代方案,相比穷尽性实验探索化学空间,能够实现更广泛的探索并降低成本。研究人员提出PrePR-CT(Predict
预测小分子化合物如何以表型方式影响多种细胞类型是药物发现的核心任务,但仍具挑战性。对细胞类型特异性转录响应进行建模可为早期候选药物识别提供可扩展的替代方案,相比穷尽性实验探索化学空间,能够实现更广泛的探索并降低成本。研究人员提出PrePR-CT(Predicting Perturbation Responses in Cell Types),一种基于图的深度学习(Deep Learning)方法,利用细胞类型特异性共表达网络作为归纳偏置(Inductive Bias)来预测化学扰动的转录响应。图注意力网络(Graph Attention Network, GAT)学习能够捕获细胞类型特异性基因相互作用的生物学意义表征,从而实现基因水平归因。在五个单细胞RNA测序(scRNA-seq)数据集(包括人外周血和多株癌细胞系)、一个批量转录组数据集以及大规模小分子筛选中,该方法在数据受限条件下对未观测扰动和未观测细胞类型均具有泛化能力,与生成式基线方法相比,在表达变异性预测方面达到更高准确度。归因分析识别出高注意力基因(High-Attention Genes, HAGs),其补充了传统差异表达分析,突显了小分子响应的通路特异性机制。通过结合可扩展性、对分布偏移的鲁棒性和可解释性,PrePR-CT实现了细胞类型分辨的药物响应预测,为早期药物发现中细胞扰动的更精确建模提供了基础。
研究背景与问题
药物研发面临成本上升与产出下降的双重困境,导致上市新药数量减少。人工智能(AI)及生成式AI在药物开发中展现出巨大潜力,涵盖从头药物设计、药物重定位以及整合AI技术进入药物研发管线等方向。这些工作的核心步骤之一是预测化学化合物的影响,这有助于早期识别治疗候选物、降低成本并提高安全性。化学扰动可精确改变细胞过程,揭示药物效应及其作用机制,但药物响应在不同细胞类型间差异显著,且代表性数据往往有限。
高通量筛选(High-Throughput Screening, HTS)等体外药物筛选允许同时检测大量分子对特定生物学活性或靶点的作用,但显著局限在于忽视了细胞类型特异性响应。单细胞RNA测序方法生成的转录组图谱为捕获细胞响应异质性提供了强有力资源,但将HTS扩展到单细胞分辨率仍面临高昂成本和技术复杂性的挑战。现有生成式模型通过将数据映射到低维潜空间进行外推,但需要大量数据来学习分布参数并有效泛化到未观测条件;迁移学习方法虽可利用批量RNA测序数据,但会限制训练集中的特征空间为与源域数据集共享的基因,可能无法包含细胞类型特异性标志基因。另一方面,利用基因-基因互作网络等先验信息预测细胞响应的研究虽然取得显著进展,但忽略了处理组与对照组之间的细胞类型特异性差异。Kana等人的研究表明,细胞类型中心在幅度和方向上存在显著变异性,提示细胞类型特异性上下文对于预测扰动响应至关重要。
研究设计与核心结论
为解决上述问题,研究人员开发了PrePR-CT方法,将细胞类型特异性共表达网络作为归纳偏置引入模型设计,以预测未观测细胞类型中差异表达基因(Differentially Expressed Genes, DEGs)的后扰动表达均值和方差。该方法利用GAT算法从细胞类型特异性网络中提取有意义的特征,并通过分析GAT层学习的注意力值增强可解释性,实现基因水平归因。
关键技术方法
PrePR-CT整合了三类核心技术:其一,基于SEACells的元细胞(Metacell)聚合,用于从未扰动细胞推导稳健表达估计并缓解对照与扰动状态细胞数量的不平衡;其二,基于SMILES(Simplified Molecular Input Line Entry System)的分子嵌入生成,将化学结构信息编码并与细胞类型特异性基础转录组图谱嵌入联合建模;其三,GAT网络用于学习细胞类型特异性基因共表达图的表征,结合多层感知机(Multilayer Perceptron, MLP)预测扰动响应。训练采用地球移动距离(Earth Mover's Distance, EMD;Wasserstein距离)作为损失函数,通过最优传输理论比较预测与观测样本的分布。评估采用留一细胞类型交叉验证策略,以决定系数(R
2)衡量预测与观测基因表达统计量(均值和标准差)的一致性。
研究结果
PrePR-CT预测单细胞扰动响应
研究人员在五个独立数据集上评估了方法性能:Kang数据集(人外周血单个核细胞PBMC经干扰素-β(IFNβ)处理)、NeurIPS数据集(多个体PBMC数据集,含144种小分子扰动)、McFarland数据集(多株人类癌细胞系,18种扰动)、Chang数据集(人类癌细胞系,4种扰动)以及Nault数据集(小鼠肝脏,11种细胞亚型)。PrePR-CT利用细胞类型特异性共表达模式作为归纳偏置捕获基础细胞类型表达模式,从而实现对未观测细胞类型的泛化。对于Kang数据集,PrePR-CT准确预测了PBMC细胞类型对IFNβ单剂量响应的表达均值(R
2 > 0.90)和变异性(R
2 > 0.70),且预测细胞谱系在均匀流形近似和投影(Uniform Manifold Approximation and Projection, UMAP)空间中与观测细胞共定位,表现优于scGen和CPA。
PrePR-CT预测未观测细胞类型的扰动响应
利用NeurIPS数据集评估多种扰动和细胞类型时,小分子转录影响较小的药物更易预测;而对于诱导最大转录偏移的药物,各模型性能均出现下降,但PrePR-CT仍保持最高性能,尤其在捕获基因表达方差方面。对于Tahoe-100M数据集的跨数据集迁移学习实验,研究人员发现训练与测试细胞类型间的转录距离显著影响模型性能(r = ?0.60),而药物层面的较强响应则产生更可预测的效果。
PrePR-CT预测未观测扰动的响应
在Chang数据集上采用留一化合物-out策略评估未观测化合物效应。PrePR-CT准确捕获了所有基因和top 100 DEGs的均值转录响应,且在预测基因表达方差方面优于chemCPA,尤其对于高响应基因。厄洛替尼(Erlotinib)处理的UMAP投影显示预测谱系与观测扰动细胞紧密匹配且与对照分离。
PrePR-CT在少量数据条件下成功运行
通过系统子采样Kang数据集评估,PrePR-CT在所有子集规模下均优于CPA,即使在总细胞数减至20%(约15,000细胞)时仍能收敛。对于top 100 DEGs,PrePR-CT的变异性估计始终更精确,这归因于SEACells匹配对照与处理条件实现了细胞簇间的均衡表征。
图注意力网络学习有意义的表征
注意力图谱分析揭示了GAT捕获有意义模式的能力。高注意力基因(HAGs)与DEGs仅5%重叠,70.5%的HAGs为DEG分析未涵盖的独特基因,提示两者捕获互补信号。HAGs表现出更强的细胞类型特异性,而DEGs更为共享。通路富集分析显示HAGs显著关联T细胞激活和免疫系统通路,与IFNβ的已知作用机制一致。特定HAGs如CD74(树突状细胞)、LCK/LAT/CD3E(CD4
+ T细胞)以及干扰素相关基因XAF1、ISG20、STAT1、RSAD2等,均与已知生物学功能相符。消融研究表明:随机打乱细胞类型特征导致R
2显著下降,尤其对top 100 DEGs影响更大;掩蔽HAG特征亦引起R
2降低,证实HAGs对准确预测扰动响应基因具有不成比例贡献。
讨论与结论
研究人员采用基于基因共表达网络的细胞类型表征作为归纳偏置预测化学扰动的细胞类型特异性响应。该策略在留一交叉验证的分布外场景下,有效预测了不同细胞类型和化学扰动下DEGs的后扰动表达均值和方差。通过分析GAT生成的细胞类型特异性网络的显著特征,并聚焦于HAGs,研究人员鉴定了细胞类型标志物和扰动相关基因,提供了超越传统差异表达分析的互补视角。
与最先进生成式模型的基准比较凸显了整合细胞类型特异性归纳偏置的优势。尤为重要的是,该方法在少量数据条件下表现良好,而替代方法的数据稀缺性往往限制其效力。直接优化EMD较参考生成式模型获得更优结果,彰显了方法的鲁棒性和预测准确性。这些结果表明,该方法在多种单细胞扰动数据集中保持高效,强调了其在单细胞数据分析中的广泛适用性,尤其在数据有限场景下。
GAT方法的局限在于图节点特征仅建模基因表达的均值和方差。未来工作可整合细胞周期状态、形态特征和组织来源等额外特征以提升学习表征的生物学相关性。扩展方法涵盖更广泛的细胞类型将进一步增强其泛化能力。NeurIPS与Tahoe数据集的迁移学习实验揭示了跨实验泛化的挑战:训练与测试细胞类型间的转录距离显著影响性能;高变异基因集因数据集而异,复杂化特征选择;强扰动效应药物可部分抵消这种错配;实验协变量差异(如批次效应或方案差异)可能掩盖真实效应并混淆解释。
该方法的输入表征为多种药物发现应用提供了潜力,包括预测药物组合效应、识别治疗靶点和探索不同扰动间的相互作用。论文发表于《Nature Machine Intelligence》。