单细胞扰动预测不再只靠预训练：GFM把知识图谱接进流匹配，训练最多快30倍
核心概要
在多个大规模Perturb-seq数据集上，一种名为Graph-guided Flow Matching（GFM）的生成框架把基因本体、蛋白互作和扰动相似性三类知识图谱与潜空间流匹配结合，用于预测未见过扰动后的单细胞转录组。它在单基因扰动预测上超过了线性基线和CellFlow、GEARS、scGPT等深度学习模型，训练速度最多快30倍，并在训练数据减少时保持优势；在双基因扰动中，当两个基因都未在训练中出现时表现更好。
深度剖析
GFM把未见过基因扰动的单细胞转录组预测从依赖大规模预训练的路线，转到由生物知识图谱提供条件信号的生成路线。 此前的scGPT和CellFlow依赖在观测单细胞数据或蛋白语言模型上预训练，GEARS和TxPert虽引入图神经网络与生物先验，但没有把生物先验放进一个有效的生成框架。 在K562、RPE1、HepG2和Jurkat四个CRISPRi Perturb-seq数据集上，按75%训练、10%验证、15%测试划分并重复三次，GFM在前20个差异表达基因上的均值指标和2-Wasserstein距离均优于CellFlow、GEARS、scGPT以及一个线性基线，而该线性基线本身在此前报告中已优于上述深度模型。
GFM在潜空间里把高斯噪声沿一条由扰动条件指定的路径输运到扰动后的细胞状态，再解码回基因表达。 做法由三部分组成：变分自编码器把对数归一化的表达谱压到潜空间并可解码回来；图注意力网络在三张拼接的知识图谱上传播每个基因的可训练扰动嵌入；神经常微分方程模块以该嵌入为条件学习速度场。 训练前按每个扰动条件分别计算高斯噪声与目标潜状态之间的最优传输耦合，使路径接近直线，从而省去CellFlow训练中反复的小批量最优传输计算；推理时用无分类器引导，引导尺度取1.5，并用dopri5求解器积分。
去掉流匹配目标或打乱图谱连接都会让GFM的预测变差，说明两部分各自有贡献。 在保持模型结构不变的前提下，把最优传输速度匹配换成从噪声潜状态直接回归目标潜状态，或把图谱源节点随机置换而保持边数不变，都会造成性能下降。 在同样的四个数据集上，去掉流匹配主要损害分布层面的指标；随机化图谱连接则在均值指标和分布指标上都带来显著损失；单独打乱扰动相似性图的影响明显大于单独打乱GO图或PPI图，任意两张图同时打乱会进一步下降。
启示与展望
演示范围是K562、RPE1、HepG2和Jurkat四个CRISPRi Perturb-seq数据集上的单基因扰动预测，以及K562中131个双基因和152个单基因CRISPRa扰动的双基因任务；评估集中在前10至100个差异表达基因，预测每个扰动生成100个细胞。在K562全基因组CRISPRi数据上以90%训练、10%验证、无留出测试集的划分训练后，模型对全部单基因扰动生成预测，并以HSP90AA1敲低为查询排出相似扰动。
GFM与其他被测模型在能量距离上相近或更高，说明没有模型充分刻画扰动细胞群体的整体离散度。双基因任务中，当两个基因都在训练中出现时，加性基线在前20个差异表达基因上表现最好，这与该数据集中双基因扰动大多可加的既有报告一致。预测准确度与测试扰动在图中训练集邻居的转录效应相似度相关：PSMB2敲低的最相似训练邻居PSMB5余弦相似度为0.965，预测准确；HIST1H2BN敲低的最相似邻居MON1A仅为0.172，预测较差。作者也指出，新增生物先验需要按具体用例评估，不能假定任何先验都会改善预测。