预印本✓ 已核验预印本——未经同行评审VC0180

Transcriptional perturbation effects remain structured beyond the leading global trend

预印本（未经同行评审）：Liu 等（芝加哥大学统计系）重新审视“许多基因扰动使细胞沿同一全局转录方向移动”的现象。作者报告：不同扰动对这一主导趋势的贡献不同，趋势之外仍有大量结构，包括可跨数据集迁移的扰动特异效应和跨扰动共有的响应基因层级；这些规律使简单预测策略即便在主导全局成分之外也颇具竞争力。

作者 / 机构: Liu Q, Zhang Q, Chen Y, Du J-H, Zhao S, Wang J.
发表于: bioRxiv (preprint, not peer-reviewed)
日期: 2026-10-11
类型: 预印本
年份: 2026
DOI: 10.64898/2026.10.05.756839
核验来源: bioRxiv API details (title, 6 authors, posted 2026-10-11, v1, new results, genomics, CC BY-NC-ND, University of Chicago, abstract) fetched 2026-10-20; full text not read

扰动基准评测与验证批评与反证

被 GlioState 专题引用

尚未被任何研究专题页引用。

涉及的实体

相关条目（共享标签）

预印本✓ 已核验VC0179

A split-control criterion for few-shot adaptation in single-cell perturbation prediction

Liang W-L, Yang Y-B, Zhang Q-Y, Feng J-C, Wang Q-F, Zou D, Tang J-L, Liu Y, Wang S-Y, Duan J, Bai Y, Li Y-F, Sun W-Y, Cao Y-F, He R-R. · bioRxiv (preprint, not peer-reviewed) · 2026-10-13

预印本（未经同行评审）：Liang 等（澳门科技大学、暨南大学）指出，单细胞扰动预测中少样本适配的常规评测让校准响应与留出目标共用同一个对照估计，会把对照误差带入预测并虚高得分。改用独立对照评分后，52 个“配置–数据集”条目中有 40 个排名发生变化。作者提出 SafeDelta，一种用校准数据决定是否进行适配的分离对照准则；在 6 个数据集上，按原有双对照评测，门控后的平均增益不为负。

DOI

论文✓ 已核验VC0145

A comparison of computational methods for expression forecasting.

Kernfeld E, Yang Y, Weinstock JS, Battle A, Cahan P. · Genome biology · 2025-11-17

Kernfeld 等（Genome Biology 2025）：PEREGGRN 基准含 11 个扰动数据集；报告表达预测方法很少优于简单基线，并以偏差-方差和刻板性扰动响应两种假说讨论训练集均值为何强。

DOI PubMed

论文✓ 已核验VC0144

Simple controls exceed best deep learning algorithms and reveal foundation model effectiveness for predicting genetic perturbations.

Wong DR, Hill AS, Moccia R. · Bioinformatics · 2025-06-01

Wong、Hill、Moccia（Bioinformatics 2025）：报告“CRISPR 先验均值”（训练集扰动细胞均值，靶基因按 CRISPRi/CRISPRa 先验设定）在 Adamson、Norman、Replogle K562 Essential 上优于微调 scGPT、GEARS 及简单神经基线；并提供修正后的 Adamson 数据集。

DOI PubMed

论文✓ 已核验VC0146

Deep learning perturbation models can outperform baselines on calibrated metrics.

Miller HE, Mejia GM, Leblanc FJA, Swain B, Wang B, de Lima Camillo LP. · Nature biotechnology · 2026-10-01

Miller 等（Nature Biotechnology 2026；作者来自 Shift Bioscience，论文含利益冲突声明）：14 个数据集、18 个指标上的阳性对照基线与“动态范围分数”校准框架；认为 MSE 与 Pearson delta 常校准不良，在校准指标下深度学习模型可超过无信息基线。与 VC0048/VC0049/VC0052/VC0144/VC0145 立场相对。

DOI PubMed

论文✓ 已核验VC0048