不用在目标细胞里测药：GRAFT借基因扰动响应预测药物转录反应，五株LINCS细胞平均Top20相关0.734

药物在不同细胞环境里引起的转录变化并不相同，GRAFT让目标细胞系已有的基因扰动响应替代缺失的药物测量，直接给出该细胞系对多种药物的转录响应预测。 此前的做法要么只用未受扰动的基线表达，要么在单个细胞系内训练基因到药物的迁移模型，要么分别适配基因与化学扰动；这些路径都没有说明目标细胞的基因响应如何在没有目标药物测量时指导预测。 在A375、A549、HT29、MCF7、PC3五株LINCS癌细胞系上每次留出一株作目标、其余四株作源，GRAFT-D0对644种药物、976个基因的Top20 Pearson相关均值为0.734，源同药均值为0.493，最强D0对照PRnet为0.689，且优势在五个目标和三个随机种子上保持。

预测的做法是先把目标细胞的基因响应与源参考之间的差异压缩成一个条件状态，再用它调整源细胞对每种药物的平均响应。 这个条件状态由基因响应残差、扰动身份和源参考特征的交叉矩汇总而成，通过超网络转成缩放与平移参数，经特征级线性调制作用在药物特征上，同一状态可复用于多种药物查询。 在训练好的模型上关闭条件状态，Top20相关从0.734降到源均值的0.493；把目标基因响应换成源细胞响应则无法恢复同样的增益，说明增益来自目标相对源的那部分差异。

演示范围是五株LINCS癌细胞系作为源、五个公共数据集细胞环境作为目标，预测对象是976个基因面板上的平均转录响应；GRAFT-Atlas覆盖13个细胞环境和7,856个药物条目，其中10个环境用GRAFT-Adapt、RPE1、神经元和LUHMES用D0预测。

HAP1的预测相关性偏低，配对检验中也没有显著的药物锚增益，其基因输入混合了刺激条件而药物签名来自另一平台；K562和HAP1的查询面板与候选锚池较小且来自不同数据集，增益的不确定性更高。iPSC分析中跨供体的响应幅度排序主要反映共同的幅度倾向，功能比较复用了提供给模型的基因数据，仍需独立药物处理实验检验预测的药物特异差异。