扰动反应预测
别名: perturbation prediction · perturbation effect prediction
预测基因或药物扰动后的转录反应，如 GEARS、CPA 与 State 所做。独立基准研究报告深度学习模型尚不能稳定超越简单线性基线。 VC0013 VC0014 VC0019 VC0048 VC0049
待审阅 版本 0.1.0 · 状态：初稿 · 最近专家审阅：尚未审阅
关系
| 主语 | 关系 | 宾语 | 置信度 | 证据（角色） |
|---|---|---|---|---|
| 扰动反应预测 | 基准评测于 | 简单线性基线 | 高 | VC0048 基准 VC0049 基准 深度模型尚不能稳定超越简单线性基线。 来源: 虚拟细胞的验证：基准、基线与批评 |
| GEARS | 相关 | 扰动反应预测 | 高 | VC0013 支持 来源: AI 虚拟细胞模型 |
| CPA | 相关 | 扰动反应预测 | 高 | VC0014 支持 来源: AI 虚拟细胞模型 |
| State | 相关 | 扰动反应预测 | 高 | VC0019 支持 来源: AI 虚拟细胞模型 |
| 系统性差异 | 相关 | 扰动反应预测 | 高 | VC0052 基准 系统性差异可能导致预测器性能被高估。 来源: 虚拟细胞的验证：基准、基线与批评 |
| X-Cell | 相关 | 扰动反应预测 | 中 | VC0033 · 预印本 支持 预印本。 来源: AI 虚拟细胞模型 |
出现在研究专题中
- AI 虚拟细胞模型 (模型)
- 虚拟细胞的验证：基准、基线与批评 (验证)
出现在文献库条目中（15）
标题、标签或一句话摘要与该实体匹配的条目（由数据自动得出），以及用作描述证据的条目。
- VC0019 Predicting cellular responses to perturbation across diverse contexts with State. — Adduri AK et al., Cell, 2026
- VC0138 · 预印本 PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses — Yu et al., bioRxiv, 2026
- VC0054 · 预印本 An Empirical Comparison of Virtual Cell Models: Perturbation Prediction, Representation, and the Baseline Gap — Denvis O., Research Square, 2026
- VC0018 TxPert: using multiple knowledge graphs for prediction of transcriptomic perturbation effects. — Wenkel F et al., Nature biotechnology, 2026
- VC0033 · 预印本 X-Cell: Scaling Causal Perturbation Prediction Across Diverse Cellular Contexts via Diffusion Language Models — Wang C et al., bioRxiv, 2026
- VC0129 · 预印本 DELPHAI, AI Agent for Predicting Drug Response and Resistance — Peng et al., preprint, 2025
- VC0052 Systema: a framework for evaluating genetic perturbation response prediction beyond systematic variation. — Viñas Torné R, Wiatrak M, Piran Z, Fan S, Jiang L, Teichmann SA, Nitzan M, Brbić M., Nature biotechnology, 2025
- VC0048 Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines. — Ahlmann-Eltze C, Huber W, Anders S., Nature methods, 2025
- VC0055 · 预印本 Multimodal Benchmarking of Foundation Model Representations for Cellular Perturbation Response Prediction — Hasanaj E, Cole E, Mohammadi S, Addagudi S, Zhang X, Song L, Xing EP., bioRxiv, 2025
- VC0049 Benchmarking foundation cell models for post-perturbation RNA-seq prediction. — Csendes G, Sanz G, Szalay KZ, Szalai B., BMC genomics, 2025
- VC0051 · 预印本 PertEval-scFM: Benchmarking Single-Cell Foundation Models for Perturbation Effect Prediction — Wenteler A, Occhetta M, Branson N, Curean V, Huebner M, Dee W, Connell W, Chung SP, Hawkins-Hooker A, Ektefaie Y, Valdez Córdova CM, Gallagher-Syed A., bioRxiv, 2024
- VC0016 Learning single-cell perturbation responses using neural optimal transport. — Bunne C, Stark SG, Gut G, Del Castillo JS, Levesque M, Lehmann KV, Pelkmans L, Krause A, Rätsch G., Nature methods, 2023
- VC0013 Predicting transcriptional outcomes of novel multigene perturbations with GEARS. — Roohani Y, Huang K, Leskovec J., Nature biotechnology, 2023
- VC0014 Predicting cellular responses to complex perturbations in high-throughput screens. — Lotfollahi M et al., Molecular systems biology, 2023
- VC0015 scGen predicts single-cell perturbation responses. — Lotfollahi M, Wolf FA, Theis FJ., Nature methods, 2019
仅供科研与教育参考，不构成医疗建议，也不构成对任何诊疗或产品的推荐。患者请咨询主治医生。