Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects¶

会议: NeurIPS 2026
arXiv: 2605.31522
OpenReview: https://openreview.net/forum?id=UFv9oyIlVq
代码: https://github.com/theislab/Chem-PerturBridge
领域: 计算生物
关键词: 小分子扰动, 转录组学, 数据协调, 扰动表征学习, 跨数据集一致性

一句话总结¶

构建了整合8种实验技术、覆盖3.7万余种小分子化合物与125万转录组样本的多数据集协调基准Chem-PerturBridge，系统揭示了跨数据集精细logFC排序一致性脆弱但差异表达方向稳定的特性，并证实联合预训练能显著赋能未知化合物扰动预测。

研究背景与动机¶

小分子化学扰动转录组谱图是阐明药物作用机制、靶向毒性评估与预测细胞表型响应的基石。随着深度生成模型与大扰动模型（LPM）在计算生物学中的爆发式发展，训练能够跨细胞环境与未知分子泛化的模型对化学多样性、细胞异质性及实验测序技术多样性的训练数据提出了极高需求。然而，现存的扰动转录组数据严重割裂：从经典的低通量/靶向表达阵列（LINCS L1000）、高通量条形码测序（DRUG-seq、HTS2/CIGS）到单细胞组合索引测序（sci-Plex、Tahoe-100M）与微流控单细胞测序（10x Chromium/OP3），各数据集在对照组设计、测量基因覆盖、处理浓度与时间点、技术重复结构、元数据规范及差异表达分析流程上均存在巨大差异，造成同一分子在不同批次下的转录特征难以直接对齐。

这种碎片化给扰动预测建模带来了两个根本瓶颈：诊断层面，当两个独立数据集在完全匹配的细胞类型、处理时间和浓度下测量同一分子时，经过标准化协调后的转录组特征究竟能在多大程度上保持一致？构建层面，将跨平台、跨测序模式的异构扰动数据进行联合预训练，能否超越单一测序平台并学到真正可迁移的通用小分子生物学表征？以往的单细胞协调工具（如 scPerturb）未纳入超大规模化学筛选阵列，而 CMap/iLINCS 则受限于单技术路线或缺乏模型就绪的严谨评测基线。

本文正是为了弥合这一鸿沟，不仅建立了包含统一化合物标识符（PubChem CID）、细胞本体论（Cellosaurus/Cell Ontology）与标准化基因映射的统一 AnnData 与差异表达张量，更设计了以同环境异化合物为对照的严谨校准基线。核心 idea：通过构建多层级技术协调与复孔感知的差异表达统一层，首创严格条件匹配与背景校准的双重基准以量化跨数据集一致性边界，并利用全集异构预训练提取可迁移的通用小分子表征。

方法详解¶

整体框架¶

Chem-PerturBridge 的核心设计涵盖三阶段工作流：数据标准化与跨平台协调（Stage 1）、复孔感知与平台特异的差异效应构建（Stage 2）、以及跨数据集一致性诊断与下游化合物表征学习评估（Stage 3）。输入端接收来自原始单细胞读数、样本级伪混样计数（Pseudobulk Counts）以及预归一化微阵列特征三条异构数据流；输出端则同时产生严格对齐的条件级差异效应特征矩阵（logFC 与 moderated t-statistics）以及针对下游大扰动模型的统一化合物嵌入。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["异构输入数据<br/>单细胞/计数矩阵/L1000"] --> B["三流异构标准化<br/>映射CID/Cellosaurus/Ensembl"]
    B --> C["分流差异表达构建<br/>voom计数分支与L1000线性分支"]
    C --> D["匹配条件校准评估<br/>同环境不同分子基线校准"]
    D --> E["跨数据集联合预训练<br/>多输出LPM与迁移表征验证"]

关键设计¶

1. 三流异构标准化：消除元数据语义断层与技术异质性

不同实验平台在元数据记录体系和检测分辨率上各行其道，若仅做简单的文本匹配会引入严重的批次污染。针对单细胞组合测序（Stream A：Tahoe-100M、sci-Plex），在细胞级别执行严格过滤（去除线粒体比例超标、低检测基因及非典型 MALAT1 表达异常细胞），并按板孔-处理-细胞类型聚合生成伪混样计数（Pseudobulk）；针对 bulk 与微孔条形码计数数据（Stream B：OP3、Novartis DRUG-seq、VCPI、GDPx2、CIGS、DILImap），清洗未测序空孔并剔除阳性对照质控异常样本；针对 L1000 微阵列（Stream C：Phase I/II），保留 Level 3 归一化矩阵并锚定 978 个 landmark 基因。全平台化合物通过结构 InChIKey/SMILES 与别名系统统一重映射至唯一的 PubChem CID，细胞系锚定至 Cellosaurus/Cell Ontology，基因统一对齐至 Ensembl 115，浓度统一归一化为微摩尔（$\mu$M）对数标度，消除平台间的标识符阻隔。

2. 分流差异表达构建：保持复孔统计敏感性的无偏效应估计

为了消除各实验室分析脚本差异导致的统计伪影，构建了统一的差异表达计算层。对于计数型数据，采用 edgeR 的 filterByExpr 进行低表达基因过滤，经 TMM 文库大小归一化后接入 voom 转换方差建模；对于 L1000 归一化表达谱，跳过 voom 直接接入带方差趋势项的经验贝叶斯模型。在无截距的线性模型框架下建模处理组与板效应： $$y_{ig} = \sum_{\ell \in \mathcal{L}_s} \mathbf{1}\{\mathrm{condition}_i = \ell\} \beta_{\ell g} + \sum_{b \in \mathcal{B}_s^\star} \mathbf{1}\{\mathrm{plate}_i = b\} \gamma_{bg} + \epsilon_{ig}$$ 其中 $\beta_{\ell g}$ 为条件效应均值，$\gamma_{bg}$ 为板间非参考加性漂移。对于处理标签 $\ell_t$ 与同时间点的对照标签 $\ell_0$ 计算对比向量 $\Delta_{\ell_t, \ell_0, g} = \beta_{\ell_t g} - \beta_{\ell_0 g}$，经经验贝叶斯平滑（Empirical Bayes moderation）得到基因级 logFC、调整后 $t$ 统计量及 Benjamini-Hochberg 校正 $p$ 值。同时生成合并全部重复（group_rep，用于跨库评估）与保留技术重复孔（sep_rep，用于单库内重复性审计）两套制品。

3. 匹配条件校准评估：以同环境异分子背景基线破除伪相似性幻觉

传统扰动相似性分析常因细胞系共有表达背景或平台固有相关性而产生虚高评分。本设计首创了基于互近邻严格匹配与背景减除的校准体系：仅在化合物 PubChem CID、细胞类型、时间点完全一致且对数浓度差满足 $|\Delta \log_{10} d| \le 1$ 时保留候选匹配对，且仅纳入包含 $\ge 10$ 个共有分子的环境层。为了剥离非特异性的细胞基础响应，以同数据集、同细胞系、同时间与浓度的其他化合物平均扰动向量作为背景参考 $\bar{r}_{-p(i), c, t, d}$。对于任意指标 $m$，定义校准增益 $\Delta m$： $$\Delta m(i, j) = m(i, j) - \frac{1}{2}\left[m(i, \bar{r}_{-p(i), c, t, d}^A) + m(j, \bar{r}_{-p(j), c, t, d}^B)\right]$$ 并在差异基因集（DEG，校正 $p < 0.05$）上同步评估方向一致性（sign agreement）与同分子检索召回排名（Normalized best-positive rank），确立了严格统计自洽的诊断标尺。

4. 跨数据集联合预训练：多输出 LPM 模型实现分子表征跨域迁移

为验证协调资源对下游建模的增益，将单对单标量预测改造成可高效预测全局基因谱的样本级多输出架构（Sample-conditional multi-output LPM）。网络输入包含数据源域、细胞环境、化合物嵌入以及投影至 128 维的数值特征（$\log_{10} \text{dose}$ 和处理时间），通过多层感知机（768-256-256）一次前向传播输出全局基因的 logFC 向量，并在带未测基因掩码（masked loss）的均方误差损失下联合优化： $$\mathcal{L} = \frac{1}{\sum_{g} M_{s, g}} \sum_{g} M_{s, g} \left( \hat{y}_{s, g} - y_{s, g} \right)^2$$ 由此导出的分子潜在嵌入可直接输入到下游预测器（如在 OP3 免疫细胞数据集上冻结并微调），大幅突破单一测序源的化学表征瓶颈。

实验关键数据¶

主实验¶

在 OP3 细胞外周单核细胞（4种免疫细胞亚型）未知分子预测任务（25%化合物测试集留出，OP3 完全排除在预训练之外）中，评估各表征在 10 随机种子下的测试指标：

表征方法	全基因 Spearman ↑	余弦相似度 Cosine ↑	MRRMSE ↓	MAE ↓
无分子描述符 (Descriptor-free)	0.2533 ± 0.0018	0.2688 ± 0.0018	0.8161 ± 0.0004	0.5723 ± 0.0005
经典结构指纹 (Morgan fingerprints)	0.2638 ± 0.0011	0.2806 ± 0.0011	0.8115 ± 0.0004	0.5716 ± 0.0008
单源预训练 (LPM on L1000)	0.2583 ± 0.0015	0.2748 ± 0.0014	0.8115 ± 0.0010	0.5724 ± 0.0009
全集预训练 (LPM on Chem-PerturBridge)	0.2745 ± 0.0011	0.2895 ± 0.0013	0.8034 ± 0.0006	0.5676 ± 0.0009

消融实验¶

在跨数据集与数据集内技术重复的扰动特征一致性诊断中，分析不同指标在同分子与同环境异分子基线下的表现：

评估维度与数据集对	评测指标	观测值 (Observed)	基线值 (Baseline)	差值增益 ($\Delta$)	结论与说明
跨数据集 CIGS-MCE vs CIGS-TCM	DEG logFC Spearman	0.365 [0.309, 0.420]	0.441 [0.407, 0.472]	-0.129 [-0.184, -0.070]	精细变化幅度受平台噪声主导
跨数据集 L1000 Phase I vs sci-Plex	DEG logFC Spearman	0.395 [0.334, 0.457]	0.475 [0.416, 0.521]	-0.188 [-0.248, -0.132]	显著低于非靶标同环境基线
跨数据集 CIGS-MCE vs CIGS-TCM	DEG 方向一致性	0.923 [0.888, 0.947]	0.736 [0.720, 0.753]	+0.164 [0.129, 0.198]	调控方向具备高度跨平台稳定性
跨数据集 L1000 Phase I vs sci-Plex	DEG 方向一致性	0.890 [0.845, 0.922]	0.724 [0.693, 0.750]	+0.131 [0.075, 0.179]	显著击败同环境基线，生物信号保留
数据集内技术重复 L1000 Phase I	DEG logFC Spearman	0.096 [0.057, 0.154]	0.220 [0.193, 0.247]	-0.130 [-0.160, -0.089]	单批次内技术重复仍受背景主导
数据集内技术重复 L1000 Phase I	DEG 方向一致性	0.864 [0.840, 0.885]	0.626 [0.613, 0.638]	+0.212 [0.186, 0.236]	差异基因的正负调控具备技术重复可信度

关键发现¶

精细排序的跨域虚脱：在几乎所有跨数据集匹配对比中，DEG-restricted logFC 的 Spearman 相关性均低于同环境不同化合物的基线（$\Delta \text{Spearman} < 0$），甚至在 L1000 与 Tahoe 的技术重复中也观察到此现象。这表明绝对表达量变化幅度极易被技术批次、测序平台特异性与细胞培养状态混淆。
调控方向的稳健保留：与排序/幅度指标相反，logFC 的调控符号（Sign/Direction Agreement）在跨技术比较中展现出极高鲁棒性（多数在 0.85~0.95 以上），并且大幅超出随机背景和同环境异分子基线（$\Delta \text{Direction} > 0$）。
扰动强度的调控中介作用：跨数据集特征一致性与分子扰动强度高度正相关（中度相关系数 $\rho \approx 0.51$），强响应分子（如经典细胞毒性或高亲和力靶向药）在跨平台间具有清晰可复现的信号，而低活性分子的响应信号易淹没在技术背景底噪中。
预训练表征的跨域价值：尽管底层原始数据存在技术不一致性，多源异构预训练仍显著优于仅在 L1000 上预训练或单纯使用分子图指纹（Morgan Fingerprint），表明神经网络能够跨越测序模式的表层差异提炼高阶化学-转录组因果映射。

亮点与洞察¶

设立严格校准标尺：指出了传统差异表达评估忽视“细胞环境先验”的隐患，引入同环境异分子对照基线，为转录组模型基准测试建立了统计学严谨的新金标准。
解耦“信号一致性”与“表征可用性”：澄清了计算生物学界的长期困惑——即使跨平台特征直接相关性有限，大规模联合预训练依然可以通过隐空间对齐提炼强泛化能力的化学表征。
统一的异构处理底座：优雅地结合了单细胞聚合、RNA-seq 和靶向 L1000 的各自差异表达特征，发布了 125 万样本级的标准化 AnnData 和开箱即用的预训练分卷。

局限与展望¶

浓度网格稀疏与匹配宽松度：由于各公共数据集处理浓度梯度差异巨大，当前采用的 $|\Delta \log_{10} d| \le 1$ 容差虽保证了匹配样本量，但对于量效曲线陡峭的小分子可能引入不可忽视的生理剂量漂移。
伪混样聚合对细胞亚群动态的抹平：单细胞测序数据通过 pseudobulk 降维虽适配了统一差异模型，但不可避免地抹平了罕见应答细胞亚群的比例重塑与单细胞异质性。
下游微调策略的数据依赖性：在全局 11 个源数据集的分子留出测试中，没有单一微调策略能通吃所有数据集（部分仍需固定 Morgan 指纹或目标域微调），提示跨域扰动模型需要更成熟的域自适应机制。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次系统性整合并标准化全模态小分子转录组扰动数据并揭示跨平台一致性物理规律
实验充分度: ⭐⭐⭐⭐⭐ 覆盖3.7万化合物、超百万样本、严格bootstrap置信区间与10种子下游模型评测
写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严密，数学定义与统计学基准推导极其规范
价值: ⭐⭐⭐⭐⭐ 为计算生物学与大扰动模型研究社区贡献了不可多得的高质量数据与评测基准