跨生物學背景預測細胞對遺傳或化學擾動的響應，是藥物開發和疾病理解的核心問題。儘管數據規模和模型規模均有所增長，深度學習模型並未持續穩定地優於簡單基線方法。
藉助因果可遷移性理論，我們表明，跨背景泛化由共享的因果機制所支配，而不僅僅取決於分佈相似性。為實現可控評估，我們開發了一個因果模擬器，能夠生成具有可調機制差異的、真實感較強的半合成 Perturb-seq 數據集，從而提供具有已知真實因果結構的基準。此外，我們將 Vendi 多樣性得分調整應用於擾動情境，將其作為診斷模式坍塌的工具；模式坍塌是一種標準的逐擾動指標無法察覺的失效模式。
我們在半合成和真實的 Perturb-seq 數據集上，對四種深度學習模型和六種簡單基線方法進行了廣泛實驗，結果揭示了跨背景泛化鴻溝：在跨背景劃分下，模型性能顯著下降，並且常常降至簡單基線方法的水平。值得注意的是，即使在具有完全明確因果結構的合成數據上，也沒有任何模型能夠跨具有不同因果機制的背景實現泛化。這些結果強調了跨背景評估、具備多樣性感知的指標以及基於機制的歸納偏置的必要性。
P. Chapfuwa 為 Microsoft Research 員工，並持有 Microsoft Corporation 的股權。S. Qi 在 Microsoft Research 實習期間開展了本研究，並隸屬於 Vector Institute 和多倫多大學。S. Qi 聲明不存在任何利益衝突。在過去 36 個月內，除作者各自所在機構外，作者未從任何第三方獲得任何可能被認為會影響所提交工作的付款或服務。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.08.723625v1?rss=1
🏷️ Perturb-seq 因果可遷移性 細胞擾動響應 跨背景泛化 深度學習評估 半合成數據集