跳转至

Plausibility Is Not Prediction: Contrastive Evidence for LLM-Based Cellular Perturbation Reasoning

会议: NeurIPS 2026
arXiv: 2606.01042
OpenReview: https://openreview.net/forum?id=TK0wNbf8IH
领域: LLM 其他
关键词: 细胞扰动预测, 大语言模型, 差异表达, 对比证据, 生物知识图谱

一句话总结

揭示大语言模型在细胞扰动预测中因依赖背景基因响应倾向导致“看似合理却无预测力”的严重偏差，提出基于生物知识图谱对比组织同基因正负证据的 CORE 框架，显著恢复扰动特异性辨别力。

研究背景与动机

扰动实验（如药物处理与 CRISPR 基因敲除编辑）是解析细胞调控机制的核心手段，但其实验开销高昂且通量有限，促使研究者探索计算模型以预测未观测条件下的转录组差异表达响应。近期兴起的一个极具前景的研究方向是利用大语言模型（LLM）构建“虚拟细胞（virtual cell）”模拟器（如 VCWorld、SUMMER、CellVerse）。这类方法将扰动预测转化为基于自然语言与领域知识的逐步机制推理，给定细胞上下文、扰动与靶基因，促使模型生成生物学解释并判定该基因是否发生差异表达。鉴于生物学知识（基因功能、药物作用靶点及信号通路）天然具备高度的语义性与关系性，LLM 机制推理被普遍期望能超越纯数据驱动黑盒模型，提供兼具泛化性与可解释性的知识驱动范式。

然而，生物学解释上的“看似合理（plausibility）”并不等同于经验上的“准确预测（prediction）”。现有虚拟细胞提示范式大多孤立地评估单个“扰动-基因”对，引导模型寻找任何支持两者存在关联的生物学解释。由于生物知识图谱与文献中存在海量的间接应激、通路级联或疾病背景关联，LLM 极其容易构造出一条自圆其说的因果链条，将单纯的生物学弱相关误判为真实的转录组差异表达。这导致了三个严重的实证失效现象：其一，模型系统性过度高估阳性响应，在阳性率仅 29.0% 的真实数据集中，基线提示的预测阳性率常高达 80%~92%；其二，全局聚合指标被基因边际响应频率严重掩盖，简单统计基因历史响应频率的无扰动基线竟然能匹配甚至击败复杂的 LLM 推理；其三，一旦进入单基因（per-gene）宏观评估，要求对同一靶基因区分不同扰动时，现有 LLM 的排序能力全面崩溃至随机猜测水平（AUROC ≈ 0.500）。

导致这一失败的核心根源在于证据组织形式的缺陷：模型在推理时被孤立输入单一查询，从未接触过同类扰动对同一靶基因产生截然相反效应的对比信号。核心 idea：将孤立的生物学合理性推演重构为经验对比判别任务，基于多源生物知识图谱检索与查询扰动相关的支持扰动，并将它们在相同靶基因上的真实观测解耦为正负对比证据集，促使模型依据对比差异做出精准校准预测。

方法详解

整体框架

CORE（Contrastive Organization of Relational Evidence）旨在通过引入同基因对比证据，打破大模型对孤立先验合理性的盲目推断。给定一个待预测查询三元组 \((c, p, g)\)（细胞系 \(c\) 下，扰动 \(p\) 是否导致基因 \(g\) 差异表达 \(y_{p,g} \in \{0, 1\}\)），CORE 首先利用整合构建的大规模生物医学知识图谱 ReasonKG 计算扰动间的生物拓扑相似度，检索与 \(p\) 拓扑相关的一组支持扰动；随后收集这些支持扰动在同一个靶基因 \(g\) 上的已知真实标签，划分为阳性支持集 \(\mathcal{H}^+_{p,g}\) 与阴性支持集 \(\mathcal{H}^-_{p,g}\)；进一步结合基于表达响应相似性的基因锚点平滑；最终派生出非 LLM 数值判别的 CORE-Voting 与结构化提示推理的 CORE-Reasoning 两种范式。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["输入查询 (c, p, g)<br/>细胞上下文·扰动·靶基因"] --> D1["ReasonKG 与扰动签名检索<br/>融合5大生物图谱·拓扑相似度Top-K"]
    D1 --> D2["同基因对比证据组织<br/>相同靶基因正负观测集划分"]
    D2 --> D3["基因锚点平滑机制<br/>稀疏支撑下响应相似基因加权"]
    D3 --> Branch{"推理范式分支"}
    Branch -->|非LLM数值聚合| V["CORE-Voting<br/>凸组合对比得分输出"]
    Branch -->|结构化证据提示词| D4["结构化 LLM 证据裁决与推理<br/>机制路径可信度分析与冲突仲裁"]
    V --> Out["差异表达判定与校准置信度"]
    D4 --> Out

关键设计

1. ReasonKG 与扰动签名检索：基于结构化知识图谱建立扰动间生物学拓扑关联

现有用于虚拟细胞推断的图谱多存在碎片化与孤立节点问题，缺乏贯穿药物与基因的有效语义路径。本文整合规范化了 VCWorld、PrimeKG、HetioNet、PertKGE 与 BioKG 5 大生物医学资源，构建了包含 667,920 个规范实体节点与 20,292,372 条有向关系边（覆盖 83 个关系族）的统一知识图谱 ReasonKG。对于任意图谱覆盖的扰动 \(p\)，CORE 利用其到图谱中各个基因的最短路径距离分桶与邻近度统计，提取稀疏拓扑特征签名 \(\phi(p)\)。给定待测扰动 \(p\) 与支持池中的扰动 \(p' \in \mathcal{P}_{\mathrm{sup}}\)，两者之间的生物相似度通过截断余弦相似度计算： $\(\mathrm{sim}(p, p') = \max\left(0, \cos(\phi(p), \phi(p'))\right)\)$ 依据相似度检索出前 \(K\) 个最相关的支持扰动集合 \(\mathcal{R}_k(p)\)，并通过单调幂变换计算非负投票权重 \(w(p, p') = \mathrm{sim}(p, p')^\eta\)。

2. 同基因对比证据组织：将相同靶基因的已知观测解耦为正反对比证据池

模型之所以对所有扰动泛泛预测阳性，是因为其无法辨别同一基因在不同扰动下的差异反应。CORE 显式地将检索到的相关支持扰动按其在同一个靶基因 \(g\) 上的真实历史标签进行划分： $\(\mathcal{H}^+_{p,g} = \{p' \in \mathcal{R}_k(p) : y_{p',g} = 1\}, \quad \mathcal{H}^-_{p,g} = \{p' \in \mathcal{R}_k(p) : y_{p',g} = 0\}\)$ 并分别累加正向与负向投票质量：\(V^+_{p,g} = \sum_{p' \in \mathcal{H}^+_{p,g}} w(p, p')\)，\(V^-_{p,g} = \sum_{p' \in \mathcal{H}^-_{p,g}} w(p, p')\)。由此计算相同基因对比得分 \(s_{\mathrm{contrast}}(p, g) = \frac{V^+_{p,g}}{V^+_{p,g} + V^-_{p,g}}\)（当分母为 0 时回退至基因固有先验 \(\hat{\pi}(g)\)）。由于整个对比过程锚定在同一个目标基因 \(g\) 上，强制模型基于相关扰动的差异化后果进行对比判断，消除了跨基因基础表达率的干扰。

3. 基因锚点平滑机制：通过响应特征相似的同调基因缓解支撑数据稀疏瓶颈

在有限支持集预算下，特定目标基因 \(g\) 可能缺乏足够的相关扰动观测。CORE 提出基因锚点平滑机制，借助响应相似的锚点基因补充置信度。定义每个基因在已知支持扰动上的带符号响应向量 \(r_g(p') = 2y_{p',g} - 1\)（若未观测则为 0），并基于截断余弦相似度寻找响应最相似的前 \(H\) 个锚点基因集合 \(\mathcal{A}_H(g)\)。锚点平滑得分定义为： $\(s_{\mathrm{anchor}}(p, g) = \frac{\sum_{h \in \mathcal{A}_H(g)} \mathrm{sim}(g, h) s_{\mathrm{contrast}}(p, h)}{\sum_{h \in \mathcal{A}_H(g)} \mathrm{sim}(g, h)}\)$ 最终通过凸组合将同基因对比与锚点平滑融合：\(s_{\text{CORE-Voting}}(p, g) = (1 - \alpha) s_{\mathrm{contrast}}(p, g) + \alpha s_{\mathrm{anchor}}(p, g)\)（实验中设定 \(\alpha = 0.5\)）。

4. 结构化 LLM 证据裁决与推理：将大模型角色由自由编造者转变为批判性证据仲裁者

在 CORE-Reasoning 中，大语言模型不再进行无约束的合理性故事编造，而是接收格式化的结构化证据数据包，包括：基因边际先验（明确标注为先验偏置以防过度依赖）、同基因正负支持集及其投票质量、Top-3 锚点基因响应模式，以及由 ReasonKG 检索得到的紧凑最短机制路径（按路径长度倒数 \(1/|\gamma|\) 排序，提示词显式警告路径短不等于正向响应）。LLM 的核心职责转变为批判性证据仲裁：评估正负支持扰动与当前查询的机制相关性强弱、辨别图谱最短路径是具体的药物生物机制桥梁还是泛化的通用连接节点、仲裁正负证据冲突，并输出具备充分校准的决策与逻辑推导。

损失函数 / 训练策略

CORE-Voting 为完全无需梯度训练的确定性证据聚合算法。对于未匹配到 ReasonKG 图谱的极少数药物实体，采用基于字符 \(n\)-gram TF-IDF 相似度的平滑回退映射，防止出现完全未对齐断流。 在评估与推理预算设置上，在 Tahoe100M C32 药物扰动基准上设置固定有限支持预算 \(k=50, m=200\)（即 50 个支持扰动，每个扰动观测 200 个测定基因，模拟真实的低通量先验场景），全量测试集保持 265 个严格留出的测试扰动与 74,642 个扰动-基因对不变。大模型推理采用 SGLang 结构化输出引擎，针对 GPT-5.4 mini、Qwen3.5 系列（4B/9B）、Mistral-7B、Llama-3.2-3B 以及 DeepSeek-R1-7B 统一部署，温度设为低随机采样，以保证判别结果的稳定性与可复现性。

实验关键数据

主实验

在 Tahoe100M C32 药物扰动数据集（有限预算 \(k=50, m=200\)）与 PerturbQA K562 遗传学 CRISPRi 扰动基准上，将 CORE 系列方法与最新单细胞专用扩散/表征基准模型（STATE、PerturbDiff）及标准虚拟细胞提示基准（VCWorld、SUMMER）进行全面对比。

数据集 模型 / 方法 Overall AUROC Overall AUPRC Overall F1 Per-Gene AUROC Per-Gene AUPRC Per-Gene F1
C32 (药物) STATE 0.992 0.968 0.342 0.492 0.652 0.126
C32 (药物) PerturbDiff 0.987 0.953 0.416 0.511 0.678 0.159
C32 (药物) VCWorld (GPT-5.4 mini) 0.666 0.864 0.586 0.492 0.631 0.455
C32 (药物) CORE-Reasoning (GPT-5.4 mini) 0.980 0.964 0.951 0.556 0.731 0.610
C32 (药物) CORE-Voting (非 LLM 聚合) 0.989 0.970 0.963 0.574 0.713 0.614
K562 (CRISPRi) STATE 0.629 0.394 0.254 0.504 0.572 0.437
K562 (CRISPRi) PerturbDiff 0.888 0.663 0.349 0.495 0.575 0.497
K562 (CRISPRi) SUMMER (Qwen3.5 9B) 0.511 0.147 0.168 0.485 0.426 0.017
K562 (CRISPRi) CORE-Reasoning (Qwen3.5 9B) 0.816 0.615 0.717 0.607 0.623 0.064
K562 (CRISPRi) CORE-Voting (非 LLM 聚合) 0.956 0.832 0.750 0.711 0.712 0.197

同时，在固定支持预算下横向测试多款开源/闭源模型（VCWorld 提示 vs CORE-Reasoning 提示）： - Mistral-7B: VCWorld 预测“是”比例高达 92.1%（真实阳性率仅 29.0%），有效 AUROC 仅 0.365，F1 为 0.331；经 CORE-Reasoning 校准后预测“是”降至 26.1%，有效 AUROC 暴涨至 0.862，F1 提升至 0.739。 - Qwen3.5-9B: CORE-Reasoning 相较 VCWorld，全局 AUROC 提升 26.0%（0.742 \(\to\) 0.935），准确率提升 19.8%（0.773 \(\to\) 0.926），F1 提升 28.6%（0.703 \(\to\) 0.904），Per-Gene AUROC 从 0.465 提升至 0.545。

消融实验

通过在 Tahoe100M C32 上系统调整支持扰动数量 \(k\) 与每扰动测定基因数 \(m\)，对比纯频数基准（Gene-prior Voting）与对比证据聚合（CORE-Voting），剖析对比证据与支持规模的解耦影响：

支持配置 \((k, m)\) 方法 Overall AUROC Overall AUPRC Per-Gene AUROC Per-Gene AUPRC 结论与分析
\(k=2, m=40\) Gene-prior Voting 0.583 0.396 0.500 0.652 极度匮乏先验时全局指标低
\(k=2, m=40\) CORE-Voting 0.581 0.413 0.483 0.653 支撑极度稀疏时对比证据量不足
\(k=20, m=200\) Gene-prior Voting 0.980 0.948 0.500 0.652 边际频数驱动全局指标迅速饱和
\(k=20, m=200\) CORE-Voting 0.977 0.949 0.536 0.678 对比证据使单基因区分度开始破局
\(k=50, m=200\) Gene-prior Voting 0.989 0.969 0.500 0.652 全局指标饱和，单基因依然完全随机
\(k=50, m=200\) CORE-Voting 0.989 0.970 0.574 0.713 显著突破单基因随机猜测水平
Full-Support Gene-prior Voting 0.994 0.978 0.500 0.652 证明全局饱和完全由基因固有响应主导
Full-Support CORE-Voting 0.993 0.978 0.627 0.724 单基因 AUROC 稳步提升至 0.627

关键发现

  • 基因响应先验是全局指标虚高的罪魁祸首：仅凭基因历史平均响应频率（Gene-prior Voting），不看任何测试扰动信息，全局 AUROC 就能在充分支持下达到 0.994。这证明传统全局指标严重掩盖了模型缺乏真正扰动特异推理能力的缺陷。
  • 孤立提示诱发大模型严重过度乐观：VCWorld 等提示法导致大模型过度相信生物通路连接，产生普遍高于真实阳性率数倍的预测倾向；而结构化负样本证据能有效锚定大模型置信度，使各模型预测阳性率均回落至 26%~30% 的真实区间。
  • 确定性对比证据聚合本身即具备强大判别力：无需复杂大模型生成的 CORE-Voting 在多项单基因与宏观指标上甚至超越了部分小参数 LLM，说明严密组织同基因经验对比证据是解决扰动预测的核心要素。

亮点与洞察

  • 尖锐揭示“合理性陷阱”：明确指出现存虚拟细胞研究中“能够撰写合理的生物学因果叙事并不等于具备预测真实实验结果的能力”，用严谨的经验对照证明了孤立合理性判断对真实测定数据的系统性高估。
  • 提出单基因宏观评估准则（Macro-Per-Gene Evaluation）：确立了固定靶基因、仅评估跨扰动排序能力的评价标准，彻底剥离基因自身固有应激响应频数这一捷径特征，为生物大模型领域建立了真实扰动敏感度基准。
  • 对比反事实证据注入的通用范式：通过组织“相同靶点在相似条件下的未响应反例”，有效约束了大模型的幻觉与语义过度拟合，这种将正负对照案例结构化为上下文对比提示的设计可直接复用到其他基于知识图谱的分子或科学发现任务中。

局限与展望

  • 二值化表达判定的粒度局限：当前任务设定局限于定性的二值差异表达分类（是否显著差异表达），尚未建模连续表达量改变的倍数、时序动态、给药浓度渐变及细胞亚群异质性。
  • 对知识图谱与先验覆盖度的依赖：若待测药物或基因在 ReasonKG 中缺乏有效锚定节点（如未见的新颖合成小分子或长链非编码 RNA），特征检索与路径质量会发生退化，仍依赖于弱词法回退。
  • 未来方向：探索连续转录组表达谱的多任务联合对比预测，并将单细胞扰动扩散生成模型与对比知识证据深度集成。

相关工作与启发

  • vs 单细胞传统表征/扩散基线 (STATE, PerturbDiff): STATE 和 PerturbDiff 专注于全基因组高维分布拟合与重建，但在单基因水平针对特定扰动的相对排序能力薄弱（在 K562 上单基因 AUROC 仅约 0.50）；CORE 则直击扰动特异性差异，显著提升了单基因判别精度。
  • vs 现有虚拟细胞大模型 (VCWorld, SUMMER, CellVerse): 现有方法将预测视为孤立文本补全或单对生物解释生成，产生严重的假阳性偏好；CORE 通过引入显式同基因正负支持集与锚点平滑，将自由文本生成约束为证据校准判定。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ 首次揭示并严密证明了虚拟细胞 LLM 中“合理性不等于预测力”的核心矛盾，对比证据组织设计针对性极强。
  • 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 5 大细胞系、跨越小分子药物与 CRISPRi 基因编辑、对比传统表征模型与多款不同体量 LLM，支持预算切片清晰。
  • 写作质量: ⭐⭐⭐⭐⭐ 逻辑层层推进，从失效模式诊断到 CORE 框架设计、再到广泛实验验证，论证极其严密。
  • 价值: ⭐⭐⭐⭐⭐ 为大模型在计算生物学与精准医学中的可靠落地敲响了警钟并给出了可行解决方案，对学术界与工业界虚拟细胞研发具有重要指导意义。

相关论文