扰动响应预测方法：文献库所记录的设计一览

研究问题

• 文献库记录了哪些扰动响应预测方法家族，哪些经同行评审、哪些仅为预印本？
• 关于这些方法是否优于简单基线，读者应在哪里查找证据？

当前认识

我们对文献库记录的阅读：扰动响应预测方法涵盖变分自编码器、组合式自编码器、图神经网络、最优传输、解耦、知识图谱、扩散与流匹配等设计，较新较大的模型多以预印本形式记录。本页只梳理设计，不给方法排名；文献库中的基准论文报告在某些评估下简单基线难以被超越。确定性：对“记录如所述地描述设计”为高；不作性能比较。

范围与阅读方式。范围：仅依据文献库记录（标题、发表载体、一句话摘要与核验来源）；本页未通读全文，下列陈述均限于这些记录所述。预印本已标注，未经同行评审。本页不对胶质瘤或其他肿瘤作任何论断。本页是设计一览，不是排行榜。 VC0013 VC0048

较早的同行评审设计。scGen 记录为早期基于 VAE 的单细胞扰动响应预测方法（Nature Methods 2019）；CPA 记录为面向药物、剂量与组合响应的组合式扰动自编码器（Molecular Systems Biology 2023）；GEARS 记录为用于多基因扰动结果的知识图谱图神经网络（Nature Biotechnology 2023）；CellOT 记录为用于单细胞扰动响应的神经最优传输（Nature Methods 2023），其核验备注记录了勘误已发表、需核查其对所引结论的影响，我们尚未核查；biolord 记录为用于反事实细胞预测的解耦表示（Nature Biotechnology 2024）。确定性：对“记录如此所述”为高。 VC0015 VC0014 VC0013 VC0016 VC0017

较新的同行评审设计。TxPert 使用多个知识图谱进行转录组扰动预测（Nature Biotechnology 2026）；State（Arc Institute）记录为跨 70 种情境的状态嵌入加转移模型（Cell 2026），其较早的 bioRxiv 版本为另一条记录（预印本）；UniPert-G2CP 记录为统一的遗传与化学扰动物嵌入及 CRISPR 到药物表型的迁移（Cell 2026，仅有月份精度日期）。确定性：对“记录如此所述”为高。 VC0018 VC0019 VC0020 · 预印本 VC0130

预印本设计（未经同行评审）。X-Cell 记录为 49 亿参数、具有扰动缩放律的扩散模型；PerturbLDM 记录为在 Tahoe-100M 上预训练、可跨药物、剂量与细胞系做条件响应生成的潜在扩散模型；AlphaCell 记录为使用最优传输条件流匹配的全基因组虚拟细胞世界模型；AetherCell 记录为统一临床 RNA-seq 与扰动实验、用于生成式响应预测与体内老药新用的模型；VCHarness 记录为自主搜索并改进扰动响应模型架构的 AI 编程智能体。确定性：中等；为预印本自述，文献库未记录独立评估。 VC0033 · 预印本 VC0138 · 预印本 VC0137 · 预印本 VC0136 · 预印本 VC0135 · 预印本

到哪里查看基线比较。Nature Methods 论文报告基于深度学习的基因扰动效应预测尚未优于简单线性基线（VC0048）；Genome Biology 对表达预测方法的比较报告方法很少能超过简单基线（VC0145）；Nature Biotechnology 论文持相反立场，认为在校准指标下深度模型可以优于基线（VC0146）。这些研究在数据集与指标上各不相同，我们对差异的评述见线性基线页面。确定性：对“论文如此陈述”为高。 VC0048 VC0145 VC0146

证据图谱

原始研究与数据集

• VC0015 scGen predicts single-cell perturbation responses. — Lotfollahi M, Wolf FA, Theis FJ., Nature methods, 2019
• VC0014 Predicting cellular responses to complex perturbations in high-throughput screens. — Lotfollahi M et al., Molecular systems biology, 2023
• VC0013 Predicting transcriptional outcomes of novel multigene perturbations with GEARS. — Roohani Y, Huang K, Leskovec J., Nature biotechnology, 2023
• 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
• VC0017 Disentanglement of single-cell data with biolord. — Piran Z, Cohen N, Hoshen Y, Nitzan M., Nature biotechnology, 2024
• VC0018 TxPert: using multiple knowledge graphs for prediction of transcriptomic perturbation effects. — Wenkel F et al., Nature biotechnology, 2026
• VC0019 Predicting cellular responses to perturbation across diverse contexts with State. — Adduri AK et al., Cell, 2026
• VC0130 UniPert-G2CP bridges genetic and chemical screens from molecular representation to phenotype modeling — Li et al., Cell, 2026

相关模型与工具

• VC0020 · 预印本 Predicting cellular responses to perturbation across diverse contexts with State — Adduri AK et al., bioRxiv, 2025
• VC0033 · 预印本 X-Cell: Scaling Causal Perturbation Prediction Across Diverse Cellular Contexts via Diffusion Language Models — Wang C et al., bioRxiv, 2026
• VC0137 · 预印本 Towards building a World Model to simulate perturbation-induced cellular dynamics by AlphaCell — Chuai et al., bioRxiv, 2026
• VC0138 · 预印本 PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses — Yu et al., bioRxiv, 2026
• VC0136 · 预印本 AetherCell: A generative engine for virtual cell perturbation and in vivo drug discovery — Li et al., bioRxiv, 2026
• VC0135 · 预印本 Harnessing AI to Build Virtual Cells (VCHarness) — Cheng et al., bioRxiv, 2026

扰动与验证证据

• 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
• VC0145 A comparison of computational methods for expression forecasting. — Kernfeld E, Yang Y, Weinstock JS, Battle A, Cahan P., Genome biology, 2025

本页引用文献库条目 19 条，其中预印本（未经同行评审）7 条。

相关综述

• 胶质母细胞瘤细胞状态与虚拟细胞
• GBM 细胞状态图谱与虚拟细胞的基础 (草稿，待审)

本页涉及的实体

• AlphaCell 模型
• CellOT 模型
• CPA 模型
• GEARS 模型
• 简单线性基线 方法与概念
• 扰动反应预测 方法与概念
• PerturbLDM 模型
• scGen 模型
• State 模型
• Tahoe-100M 数据集
• TxPert 模型
• 虚拟细胞世界模型 方法与概念
• X-Cell 模型

尚不确定之处

文献库记录没有在同一数据集与指标上对这些方法做同等条件的比较，因此无法由本页读出方法的排序。基准论文对深度模型是否优于简单基线存在分歧。 VC0048 VC0146

此处记录大多未说明各方法训练数据的细胞情境。文献库记录的两个大型扰动数据集均基于细胞系（VC0040 为 K562/RPE1；VC0041 为 50 个癌细胞系），因此这些方法在其他细胞情境中的表现，并未由此处所列记录确立。 VC0040 VC0041 · 预印本

相关问题

• 当论文报告均值或线性基线可与深度模型比肩时，它们比较的是同一对象、同一指标、同一类扰动吗？
• 哪些机制会使与扰动无关的预测器看起来不错（共享响应、噪声、靶基因、指标），各论文实际检验了哪些？
• 虚拟细胞模型如何验证？
• 深度学习模型在扰动预测上能超过线性基线吗？
• 文献库中收录了哪些大型扰动数据集与建库平台，其记录就规模与细胞体系说明了什么？
• 哪些陈述属于数据生产方的自述而非独立评估？
• 什么是 AI 虚拟细胞模型？
• 哪些虚拟细胞模型已应用于胶质母细胞瘤？