虚拟敲除与扰动预测（虚拟细胞模型）
虚拟敲除（in silico perturbation）是在计算机里模拟敲低某个基因或加入某种药物后，细胞表达谱或细胞状态会怎样变化。主流思路有三类：基于基因调控网络传播扰动，如 CellOracle 把转录因子表达置零后沿网络推算下游变化；基于在扰动数据上训练的深度模型，如 GEARS 预测未测过的单基因或双基因扰动，scGen、CPA 预测药物和剂量组合的响应；以及利用单细胞基础模型的嵌入做扰动模拟。它的价值是在湿实验前对大量候选做排序、提出假设，而不是替代实验。典型输入是带注释的单细胞数据，深度模型还需要 Perturb-seq 或药物处理单细胞数据作为训练集。
什么时候用
- 从几十个候选转录因子中挑出最可能推动细胞向目标状态转变的几个，再做实验验证
- 已有 Perturb-seq 数据，想预测没测过的基因组合扰动会产生什么效应
- 已有若干药物处理的单细胞数据，想推测某药物在另一种细胞类型或剂量下的响应
- 在发育或分化体系中模拟敲除关键转录因子，判断它会阻断还是加速某条分化路径
- 为大规模扰动实验设计提供先验，优先测预测效应大或不确定性高的扰动
不适合的情况
- 把预测结果直接当作实验结论写进论文，没有任何实测扰动验证
- 预测训练数据中完全没有的细胞类型、物种或药物结构，外推误差无法估计
- 目标基因在数据中几乎不表达，基于网络或表达的模型没有信息可用
需要准备的数据
- 参考单细胞数据
- 质控和注释完成的表达矩阵，保留原始计数；需包含要模拟的细胞类型，发育体系最好附带轨迹或伪时间。
- 扰动训练数据
- GEARS、scGen、CPA 等需要 Perturb-seq 或药物处理单细胞数据，每个条件都要有对照细胞和明确的扰动标签。
- 调控网络先验
- CellOracle 需要基础调控网络，可由 scATAC-seq 或启动子 motif 扫描构建；物种和基因组版本必须与表达数据一致。
- 药物信息
- 药物响应模拟需要药物名称、剂量、处理时间；chemCPA 这类模型还需药物 SMILES 结构以便对未见药物外推。
分析步骤
- 1
明确要回答的问题
先定是预测表达变化、细胞状态转移还是药物响应，再选模型类别。只想知道转录因子敲除对分化方向的影响，用网络模拟即可；要预测新的基因组合效应，必须有扰动训练数据。
- 2
准备并划分数据
按扰动而不是按细胞划分训练集和测试集，留出一批扰动完全不参与训练。只按细胞随机划分会让同一扰动同时出现在训练和测试中，评估结果会严重偏乐观。
- 3
建立简单基线
先计算几个基线：不变（预测等于对照）、训练集平均扰动效应、单基因效应直接相加。深度模型只有在留出扰动上稳定优于这些基线时，其预测才有额外价值。
- 4
训练或运行模型
网络类方法先构建细胞类型特异的调控网络，再把目标基因表达置零并迭代传播；深度模型按推荐超参训练，监控验证集损失，防止在少量扰动上过拟合。
- 5
评估预测质量
用相对对照的表达变化计算相关系数，重点看效应最大的一批差异基因的方向和幅度是否预测正确。只看全基因组表达相关系数意义不大，因为未变化的基因会把相关系数抬得很高。
- 6
解读与排序
把预测效应映射到细胞状态或通路，例如看虚拟敲除后细胞在嵌入空间中向哪个群体移动、哪些通路得分变化最大，再按效应大小和预测稳定性对候选基因或药物排序。
- 7
设计验证实验
从排序靠前和靠后的候选中各挑若干个做实测，用实测结果反过来检验模型排序是否有区分度。没有验证的预测在论文中应明确写成计算预测或假设。
关键参数与决策
模型类别选择
只有观测数据没有扰动数据时，只能用调控网络或基础模型模拟，结果更偏定性；有扰动训练数据时可以用 GEARS、CPA 等监督模型做定量预测，但范围受训练数据限制。
评估指标
建议同时报告：预测与实测表达变化的相关性、前若干个差异基因的方向一致率、与基线的差距。只报告绝对表达的相关系数会掩盖模型其实没学到扰动效应的情况。
数据划分方式
按扰动留出可评估对未见扰动的泛化；按细胞类型留出可评估跨细胞类型外推；组合扰动可留出部分组合而保留单基因扰动。划分方式必须与实际想回答的问题一致。
网络模拟中的扰动强度与传播步数
CellOracle 一类方法将基因表达设为零或指定值，并迭代若干步传播。传播步数过多会让效应扩散到大量基因、方向失真，通常使用方法推荐的默认值并比较不同设置下排序是否稳定。
随机种子与重复训练
深度模型结果受初始化影响，建议用多个随机种子重复训练，报告预测的均值和波动。只有在不同种子下排序都靠前的候选，才值得优先验证。
常见错误
- 不和简单基线比较：已有多项基准评估发现，在不少数据集上训练集平均效应或加性模型与复杂深度模型表现接近，没有基线就无法判断模型是否真有用。
- 按细胞随机划分训练测试集：同一扰动的细胞同时出现在两边，模型只需记住扰动均值即可得到高分，泛化能力被高估。
- 把嵌入空间中的移动当成真实分化：细胞在 UMAP 上向某群移动只说明表达更相似，不能证明细胞真的会转变为该类型。
- 忽略训练数据的细胞背景：在 K562 等细胞系上训练的模型直接用于原代免疫细胞，调控关系可能完全不同，预测方向也可能相反。
- 对低表达或网络中孤立的基因做虚拟敲除：模型没有可用信息，预测结果接近零效应，不能解读为该基因不重要。
结果怎么看
预测与实测效应散点图
横轴实测、纵轴预测的每个基因表达变化。点沿对角线分布说明预测准确；如果预测值都挤在零附近，说明模型基本退化为不变预测。应重点看实测变化最大的基因是否落在正确象限。
模型与基线对比表
列出各模型和基线在留出扰动上的指标。深度模型优势只有几个百分点且在不同种子下波动较大时，结论应保守，可把基线结果一并报告。
虚拟敲除向量场图
CellOracle 等方法在嵌入图上画出扰动后的细胞移动方向。箭头方向与已知分化方向相反说明该基因可能促进该分化；箭头杂乱或很短则说明该扰动预测效应弱或不稳定。
候选基因或药物排序表
按预测效应大小、不同种子下的稳定性和与目标状态的一致性排序。排序靠前但在已知文献中毫无支持的候选，既可能是新发现，也可能是模型伪影，验证时应同时包含这两类。
和相近方法怎么选
虚拟敲除与 Perturb-seq 实测
Perturb-seq 是真实测量，成本高、规模有限；虚拟敲除成本低、可覆盖任意候选，但准确性取决于训练数据。合理分工是用预测缩小候选，用实测确认，并把实测数据回流用于改进模型。
调控网络模拟与深度学习预测
网络模拟（如 CellOracle）只需观测数据和调控先验，可解释性好，适合转录因子和细胞命运问题；深度模型（如 GEARS、CPA）需要扰动数据，能给出定量表达预测和组合效应，但可解释性弱，范围受训练集限制。
单细胞药物响应模拟与药物重定位
单细胞药物响应模拟预测某药物对特定细胞类型表达的影响，前提是有同类药物处理数据；药物重定位通常基于疾病表达特征与药物特征的反向匹配或靶点网络，覆盖药物更多但细胞分辨率低。
常见问题
虚拟敲除的结果可以发文章吗？
可以作为假设生成或候选筛选部分发表，但要明确写成计算预测，并说明模型、训练数据、评估方式和与基线的比较。关键结论最好至少有一部分湿实验或公开实测扰动数据支持，审稿人通常会追问这一点。
没有 Perturb-seq 数据能做扰动预测吗？
能做定性模拟。CellOracle 这类方法只需普通单细胞数据加调控网络先验，可以模拟转录因子敲除对细胞状态的影响；单细胞基础模型也可以在嵌入空间做扰动。但想得到定量、可评估的表达预测，仍需要扰动训练数据。
GEARS 和 CellOracle 应该选哪个？
GEARS 在 Perturb-seq 数据上训练，借助基因关系图预测未测过的单基因或双基因扰动的表达变化，适合有扰动数据、关心组合效应的场景；CellOracle 基于调控网络模拟转录因子扰动，适合研究分化和细胞命运、手头只有观测数据的场景。
怎么判断扰动预测模型靠不靠谱？
看三点：是否在完全留出的扰动上评估；是否明显优于训练集平均效应和加性模型等基线；效应最大的差异基因方向是否预测正确。三者都满足、且多个随机种子结果一致，预测才值得用于排序候选。
单细胞药物响应模拟能预测病人用药效果吗？
不能直接用于此目的。这类模型预测的是药物对细胞表达谱的影响，训练数据多来自细胞系或体外处理，与患者体内疗效之间隔着药代动力学、微环境和耐药等大量因素，只能作为科研假设，不能替代临床判断。
在 Codar 里怎么做
在 Codar 中说明要模拟的基因或药物、细胞类型和已有数据后，会先确认采用调控网络模拟还是基于扰动数据训练的预测方案，并设置留出扰动和基线对照。随后运行虚拟敲除与扰动预测或单细胞药物响应模拟，交付预测与基线的评估表、预测效应散点图、细胞状态变化图、候选基因或药物排序表，以及可复现脚本。
我有一份小鼠造血祖细胞单细胞数据，想虚拟敲除 Gata1、Spi1 等 10 个转录因子，看哪个最能让细胞偏离红系分化方向。