神经预测器竟不如简单相加！加性分歧越大误差越高，智能体筛选新利器
Do Perturbation Predictors Learn Gene Interactions? Diagnosing Extrapolation in Agentic Screening
📖 AI 总结
该研究关注高通量扰动筛选中的一个关键难题：当测试用的基因组合中两个基因各自都在训练集中出现过、但组合本身未被测量时，模型能否真正预测出基因间的交互效应。作者提出“加性分歧”（AD）指标，即模型预测值与两个单基因效应简单相加所得基线之间的差异，用以衡量模型为未见组合引入的额外交互效应。研究在三个Perturb-seq数据集上比较了八种预测方法，发现专用神经网络预测器并未稳定优于简单加性基线，且偏离加性基线越大的预测往往误差越大。传统基于输出或嵌入的置信度信号在不同数据集和模型间表现不一致，而AD在所有评估的组合场景中均保持信息量。作者进一步探讨了该信号如何在智能体扰动筛选流程中指导决策。
🔑 关键词速览
| Perturb-seq | 一种将 CRISPR 基因扰动与单细胞 RNA 测序结合的高通量技术，可同时读取数千个细胞中基因扰动后的转录组响应。 |
| Additive Disagreement (AD) | 模型对基因组合的预测值与两个单基因效应简单相加所得加性预测之间的差异，用于量化模型引入的额外交互效应。 |
| Out-of-Distribution (OOD) | 分布外，指测试样本的分布与训练数据分布不同，模型在此类样本上的预测往往不可靠。 |
| Compositional Generalization | 组合泛化，指模型对训练中见过的元素（如单个基因）以未见方式组合（如基因对）进行预测的能力。 |
| Agentic Screening | 智能体筛选，指利用自主决策的 AI 智能体来规划、执行和迭代高通量扰动筛选实验的工作流程。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅