Lifting Biomolecular Data Acquisition¶

会议: NeurIPS 2026
arXiv: 2512.15984
代码: https://github.com/JURA-Bio/lift
领域: 计算生物学
关键词: 压缩感知、高通量筛选、函数空间正则化、抗体工程、单细胞测序

一句话总结¶

本文提出 LIFT 框架，将压缩感知从有限维向量提升到无限维神经函数空间，通过高感染复数（MOI > 1）在单个细胞中递送多种分子混合物并借助函数级 $L^1$ 稀疏正则化在训练中完成信号解卷积，在理论上将有效数据量提升数个数量级，并在真实 TCR 模拟抗体筛选湿实验中将命中率提升 50%–100%。

研究背景与动机¶

在机器学习驱动的生命科学与分子工程中，学习从生物分子序列（如抗体、酶或配体）到其生物活性（如亲和力、催化活性）的映射函数 $\mathrm{f}(x)$ 是分子从头设计与疾病治疗的核心基石。然而，传统高通量湿实验与监督学习范式高度受限于实验资源的物理瓶颈：主流实验通常严格遵循单一变体对应单一读数的离散化测量方案（即单细胞仅表达单个分子 $x$，测得单一活性 $y$）。由于实验合成、分选与测序成本极其高昂，研究者所能获取的 $(x, y)$ 样本对数量非常有限，直接制约了下游复杂神经网络模型的泛化精度与设计空间探索能力。

这一瓶颈在具有高治疗价值但序列空间极端稀疏的分子发现任务中尤为致命。以靶向胞内肿瘤抗原的 TCR 模拟（TCRm）抗体为例，序列空间极其广袤而能够真正结合靶标的有效抗体序列犹如大海捞针；在单分子单测量的模式下，绝大部分实验通量被白白浪费在完全无活性的背景阴性样本上，导致收集到的数据集信息密度极低。先前的压缩筛选（Compressed Screening）尝试在单次测量中混合多种分子并利用 LASSO 线性重构活性，但其局限在有限维向量重构的框架下，要求同一变体被多次重复观测，既无法外推预测未见过的未知分子，也无法与现代深度表征学习模型端到端结合。

本文的切入视角是打破“单测量对应单序列”的人工实验习惯，转而在湿实验设计阶段主动提高每次测量的输入分子数，将高通量实验与学习算法进行系统协同设计。核心 idea：将数据采集与模型训练从离散点回归提升至函数空间上的测度回归，在湿实验中通过高 MOI 病毒感染将多个变体混合递送至单细胞，并引入函数空间 $L^1$ 稀疏先验指导神经网络在训练过程中端到端解卷积，从而以同等实验成本获取多出数个数量级的有效信息量。

方法详解¶

整体框架¶

LIFT 框架由“湿实验多序列混合递送”与“函数空间神经压缩感知求解”两大核心闭环构成。在湿实验阶段，研究人员利用变分合成技术生成涵盖数十亿乃至数万亿种候选变体的 DNA 文库，并采用高于 1 的感染复数（MOI, $\bar{m} > 1$）通过病毒将变体文库导入宿主细胞。随后利用微滴单细胞测序（Single-Cell Sequencing）同时读取单细胞内的序列混合集合 $\{x_{i1}, \dots, x_{im_i}\}$ 以及细胞表面的整体生物活性表型 $y_i$（例如结合靶标的 DNA 荧光条形码计数）。在算法学习阶段，LIFT 将整体观测建模为分子活性在经验测度 $\mu_i(x) = \sum_{j=1}^{m_i} \delta_{x_{ij}}(x)$ 上的内积，并借助函数空间上的 $L^1$ 稀疏正则化对参数化为深度神经网络的活性映射 $f_\theta$ 进行最大后验概率（MAP）优化解卷积。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["变分合成多样性文库<br/>采样 DNA 分布 p(x)"] --> B["高 MOI 病毒多序列递送<br/>Poisson(m_bar) 多变体入胞"]
    B --> C["微滴单细胞条形码活性测序<br/>获取细胞混合观测 (X_i, y_i)"]
    C --> D["函数空间提升与测度线性化<br/>将点回归提升为测度内积 y = f·μ + ε"]
    D --> E["非相干性理论保证与样本扩展<br/>等效数据集规模随 m_bar 线性缩放"]
    D --> F["函数空间 L1 神经解卷积优化<br/>负二项似然 + 蒙特卡洛/LeaVS 稀疏惩罚"]
    F --> G["预测未知分子序列活性 f_θ(x)"]

关键设计¶

1. 函数空间提升与测度线性化：将非线性点回归提升为函数空间线性问题

传统有监督学习直接在序列空间上拟合非线性映射 $y_i \approx \mathrm{f}(x_i) + \epsilon_i$，由于每个数据点仅提供单点局域信息，测量效率低下。LIFT 观察到，尽管真实活性函数 $\mathrm{f}(x)$ 关于分子序列 $x$ 呈现高度非线性与复杂相互作用，但当多个分子混合在同一细胞内时，细胞表面的总结合活性通常呈现严格的物理加和性。通过将混合物表示为正测度 $\mu_i(x) \triangleq \sum_{j=1}^{m_i} \delta_{x_{ij}}(x)$，总观测输出可直接表达为函数与其经验测度在 $L^2$ 函数空间中的内积： $$y_i = \mathrm{f} \cdot \mu_i + \epsilon_i = \int \mathrm{f}(x)\mu_i(x)\mathrm{d}x + \epsilon_i$$ 这种函数空间提升（Functional Lifting）将原本在分子特征空间中的高度非线性黑盒回归问题，转变为函数测度空间中的高维线性估计问题，从而为引入压缩感知理论与凸优化思想建立了坚实的数学支架。

2. 统计非相干测量与等效数据量倍增：高 MOI 递送带来的理论保障

压缩感知能否成功重构未知信号，核心取决于测量矩阵的非相干性（Coherence）。若单细胞仅递送单一序列（即常规 $\bar{m} \le 1$ 协议），测量测度退化为单个狄拉克函数 $\delta_{x_i}(x)$，其在空间中极端集中，对应最大相干性 $\nu_q = D$（其中 $D$ 为序列空间有效划分维度），导致模型必须耗费海量单细胞测序量才能消除不确定度。通过将病毒递送的感染复数提高到 $\bar{m} > 1$，递送过程天然遵循泊松罕见事件统计，使得每个测量测度 $\mu_i$ 转化为在序列空间中广泛分散的泊松点过程样本。论文在理论上证明了其相干性上界满足： $$\nu_q \le 16\left(1 + 2\sqrt{\frac{D}{\bar{m}}} + \frac{D}{\bar{m}}\right)\log^2 \delta$$ 当 $\bar{m} \ll D$ 时，相干性呈现 $\mathcal{O}(D/\bar{m})$ 的反比衰减。这意味着有效数据集规模 $n/\nu_q$ 随着平均感染分子数 $\bar{m}$ 呈严格线性放大——以混合 10 种分子的状态进行一次测量，其提供的信息量等价于采集 10 个传统单序列 $(x, y)$ 样本对。

3. 函数空间 L1 稀疏正则化与 LeaVS 无活性信号修正：解析欠定性解卷积

由于实验可测量的微滴单细胞数量始终远小于潜在函数空间的无限自由度，线性反演系统本质处于严重欠定状态。然而生物分子学先验表明，绝大多数随机变体均不具备目标活性，活性函数 $\mathrm{f}(x)$ 在基底分布 $\mathrm{p}(x)$ 上呈现显著的局域稀疏性。LIFT 据此在神经网络参数上构建了函数空间 $L^1$ 变分先验： $$\pi_\lambda(\theta) = \frac{1}{Z_\lambda} \exp\left(-\lambda \|f_\theta\|_{1, \mathrm{p}}\right), \quad \|f_\theta\|_{1, \mathrm{p}} = \int_{\mathcal{X}} |f_\theta(x)|\mathrm{p}(x)\mathrm{d}x \approx \frac{1}{K}\sum_{k=1}^K |f_\theta(x^k)|$$ 在优化过程中，未测序的大量零计数细胞（$y=0$）通过 LeaVS（Learn from What is Not Sequenced）隐式似然项进行了对齐。论文在理论上推导证明，在低活性假设下，LeaVS 似然项通过泰勒展开等价逼近函数空间的 $L^1$ 范数惩罚项：$\log \int \exp(-|f_\theta(x)|)\mathrm{p}(x)\mathrm{d}x \approx -\int |f_\theta(x)|\mathrm{p}(x)\mathrm{d}x$，使得模型即便面对仅测序阳性命中（Hits）的非对称实验分选数据，也能稳健重构出全局稀疏的活性地形。

一个完整示例¶

考虑在单细胞微滴中进行抗体筛选。假设某个实验细胞 $i$ 受到高滴度病毒感染，同时转染了 3 个不同变体序列 $\{x_{i1}, x_{i2}, x_{i3}\}$，其实验测定的表面靶标荧光结合计数为 $y_i = 100$。若按照传统方法将多序列强行拆分并赋予相同标签，模型将错误地认为 3 条序列各自均产生高活性，从而引入严重的假阳性污染。在 LIFT 中，模型维护神经网络 $f_\theta$ 计算总和预测 $\hat{y}_i = f_\theta(x_{i1}) + f_\theta(x_{i2}) + f_\theta(x_{i3})$，并以负二项分布似然计算观测残差；在其他包含交叉重叠变体的细胞（例如细胞 $k$ 包含 $\{x_{i1}, x_{k2}\}$ 且测得 $y_k \approx 0$）的联合约束下，结合全局 $\|f_\theta\|_{1, \mathrm{p}}$ 稀疏惩罚，梯度优化会自动将活性权重准确归因于真正的活性变体（例如 $x_{i2} \to 100$），而将无关背景变体压缩至接近零（$x_{i1} \to 0, x_{i3} \to 0$），从而在几轮反向传播中精确解离单个序列的贡献。

损失函数 / 训练策略¶

模型的训练目标为基于数据似然与函数稀疏先验的最大后验估计（MAP）： $$\min_\theta \sum_{i=1}^n -\log p\left(y_i \mid \sum_{j=1}^{m_i} f_\theta(x_{ij}), \sigma\right) + \lambda \cdot \frac{1}{K}\sum_{k=1}^K |f_\theta(x^k)| - n_0 \log \mathrm{p}(y=0)$$ 其中观测似然采用适用于单细胞 RNA 测序读数计数的负二项分布（Negative Binomial, 均值为 $\mu_i = \sum_{j=1}^{m_i} f_\theta(x_{ij})$，离散度参数为 $\sigma$）；$x^k \sim \mathrm{p}(x)$ 为从变分生成文库中采样的未测序蒙特卡洛样本；$n_0$ 表示未被送测的阴性细胞总数。网络骨干基于处理氨基酸序列的卷积神经网络（CNN），使用 Adam 优化器在单细胞微批次上端到端梯度更新。

实验关键数据¶

主实验¶

评估任务涵盖两项设置：（1）合成数据基准：基于人类抗体 CDRH3 变分合成文库，模拟位置氨基酸基序驱动的稀疏结合活性及实验噪声，评估不同 MOI 下的 PR AUC；（2）真实湿实验基准：在针对实体瘤高特异性胞内抗原 MAGE-A4 的 TCR 模拟抗体（TCRm scFv CAR-T）超高通量筛选中，采用严格的二分图互不相交切分（保证训练集与测试集无重叠细胞且无重叠抗体序列），测试集固定为纯单分子验证样本（$m_i=1$），评估模型预测罕见强结合命中（$y > 10$）的精确率-召回率曲线下面积（PR AUC）。

实验场景 / 数据集	评估指标	LIFT (高 MOI)	常规方法 (低 MOI, $m=1$)	常规方法 (高 MOI 直接拆分)	性能提升
合成抗体结合模拟 ($\bar{m}=30.0$)	PR AUC	0.80	~0.30	< 0.10	+166.7% (相对低 MOI)
真实湿实验 MAGE-A4 抗体结合 ($\bar{m}=1.203$)	PR AUC	0.092	0.061	~0.045	+50.8%
真实湿实验特定召回率命中富集度 (High Recall)	Hit Enrichment	2.0× (100% 提升)	1.0× (基准)	< 1.0×	+100.0%

消融实验¶

论文针对关键组件进行了系统的消融分析，包括 $L^1$ 函数稀疏正则化/LeaVS 修正的有效性，以及不同 MOI 递送倍数对预测性能的增益演变：

实验配置	PR AUC (MAGE-A4 湿实验)	PR AUC (合成数据 $\bar{m} \approx 10$)	说明
LIFT 完整模型 (高 MOI + $L^1$/LeaVS)	0.092	0.78	完整协同设计方案
w/o $L^1$ 函数稀疏正则化 (去掉 LeaVS)	0.006	0.12	缺乏稀疏先验导致欠定系统无法解卷积，性能暴跌 93.5%
低 MOI 子采样 ($\bar{m} = 0.56$)	0.078	0.54	降低混合度，数据信息密度下降
低 MOI 子采样 ($\bar{m} = 0.26$)	0.068	0.42	接近单分子递送，等效样本量显著缩水
低 MOI 子采样 ($\bar{m} = 0.12$)	0.061	0.32	传统单分子单测量状态

关键发现¶

实验设计与学习算法必须系统协同：若仅在湿实验中提高 MOI 但仍沿用常规监督拆分算法，数据混淆会导致模型性能剧烈恶化（合成数据 PR AUC 跌破 0.10）；反之，若在常规单分子低 MOI 数据上运行 LIFT，算法缺乏非相干多重观测，同样难以获得实质收益。只有将高 MOI 实验与函数空间 $L^1$ 解卷积深度结合，才能释放压缩感知的巨大倍增效应。
稀疏先验是函数重构的核心生命线：在消融实验中，去掉函数空间 $L^1$ 惩罚项（即去除未测序阴性样本的 LeaVS 约束）直接导致真实湿实验 PR AUC 从 0.092 崩塌至 0.006，证实高维非线性函数的逆问题求解高度依赖稀疏物理假设。
信息密度随 MOI 呈近线性增长后趋于饱和：在合成数据中，随着 $\bar{m}$ 从 0.1 逐渐递增至约 10，PR AUC 从 0.3 陡增至 0.8；理论分析与实验均表明，当 $\bar{m}$ 达到序列有效维度量级前，有效数据量线性倍增，但受到细胞生理毒性与饱和效应约束，实际湿实验需选取适度 MOI。

亮点与洞察¶

将压缩感知升维至无限维神经函数空间：传统压缩感知聚焦于有限维向量或网格图像重构，而 LIFT 突破性地将其推广到连续抽象的分子函数空间，成功将非线性分子预测建模为测度空间中的线性逆问题。
颠覆“人眼可读”的传统湿实验协议：传统生物实验追求单管单变体的直观可读性，LIFT 证明让机器直接面对由混合测量构成的“人眼不可读、机器高信息密度”实验数据，能够突破物理资源上限，实现数量级的产出效率飞跃。
通用方法学可即插即用迁移至广泛分子体系：该方法不仅适用于抗体 CAR-T 筛选，任何输入分子满足物理可混合性且对表型输出具有加和效应的实验系统（如组合小分子表型筛选、酶突变体定向进化、超载微滴 Perturb-seq）均可无缝应用 LIFT 框架。

局限与展望¶

加和性线性假设的边界：LIFT 依赖于同一细胞内多个分子的活性对最终表型呈现线性加和贡献。当分子间存在协同增效、竞争性拮抗或非线性受体饱和时，简单的加和测度模型将引入系统性偏差。
极端稀疏性假设的适用性：该方法专为“大海捞针”式的罕见活性筛选（如高难度 TCRm 抗体）设计，若针对广泛具备温和活性的稠密多肽或酶活性优化任务，基于 $L^1$ 范数的重构假设可能与真实生物分布产生脱节。
高 MOI 带来的细胞生物学毒性瓶颈：在湿实验操作中，过高的病毒载量或质粒转染浓度可能诱发细胞毒性反应甚至诱导凋亡，限制了通过无限提高 MOI 来获取无穷信息密度的物理可行性。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将压缩感知与高通量生物湿实验在无限维神经函数空间上实现协同设计，构思极具突破性。
实验充分度: ⭐⭐⭐⭐⭐ 兼具完备严格的数学理论推导、细致受控的合成模拟验证，以及极具挑战性的真实抗体湿实验闭环验证。
写作质量: ⭐⭐⭐⭐⭐ 概念阐述清晰深入，从函数空间测度提升到生物学泊松统计的过渡浑然一体。
价值: ⭐⭐⭐⭐⭐ 为解决 AI 赋能分子发现中的“湿实验数据瓶颈”开辟了全新的低成本、超高通量实验设计范式。

实验场景 / 数据集	评估指标	LIFT (高 MOI)	常规方法 (低 MOI, \(m=1\))	常规方法 (高 MOI 直接拆分)	性能提升
合成抗体结合模拟 (\(\bar{m}=30.0\))	PR AUC	0.80	~0.30	< 0.10	+166.7% (相对低 MOI)
真实湿实验 MAGE-A4 抗体结合 (\(\bar{m}=1.203\))	PR AUC	0.092	0.061	~0.045	+50.8%
真实湿实验特定召回率命中富集度 (High Recall)	Hit Enrichment	2.0× (100% 提升)	1.0× (基准)	< 1.0×	+100.0%

实验配置	PR AUC (MAGE-A4 湿实验)	PR AUC (合成数据 \(\bar{m} \approx 10\))	说明
LIFT 完整模型 (高 MOI + \(L^1\)/LeaVS)	0.092	0.78	完整协同设计方案
w/o \(L^1\) 函数稀疏正则化 (去掉 LeaVS)	0.006	0.12	缺乏稀疏先验导致欠定系统无法解卷积，性能暴跌 93.5%
低 MOI 子采样 (\(\bar{m} = 0.56\))	0.078	0.54	降低混合度，数据信息密度下降
低 MOI 子采样 (\(\bar{m} = 0.26\))	0.068	0.42	接近单分子递送，等效样本量显著缩水
低 MOI 子采样 (\(\bar{m} = 0.12\))	0.061	0.32	传统单分子单测量状态