DECIPHER用解耦表征学习从bulk组学中估计细胞类型比例，并在肺腺癌中支持预后分层

DECIPHER把细胞类型解卷积表述为一个解耦表征学习问题：学习域恒定表征Zc用于解卷积，同时学习域特异表征Zs来建模域相关变异，再用可微非负最小二乘优化从Zc估计细胞类型比例。 摘要指出常规方法多依赖线性混合模型或特定概率假设、对批次效应敏感，而许多深度学习方法局限于单一模态或缺少统一的端到端学习框架；DECIPHER以统一的端到端框架同时处理解卷积与域相关变异。 证据来自摘要层面的方法描述与作者自述的评估范围，即模拟数据集、实验生成的bulk-细胞混合样本、真实世界数据集和多种分子模态；原文未给出具体数值指标、样本量或对照设置。

在多种评估场景和多种分子模态下，DECIPHER表现出稳健且有竞争力的细胞类型解卷积性能。 评估覆盖模拟数据、实验生成的混合样本、真实世界数据以及多种分子模态，说明该框架不局限于单一数据类型。 属于作者在摘要中的总体性结论，未提供逐项基准对比数字、统计检验或误差范围，因此强度以摘要陈述为限。

除比例估计外，学到的Zc还能支持跨独立队列的时序年龄预测，以及在肺腺癌中的预后分层。 这把解卷积得到的表征从单纯的比例估计扩展到下游生物学与临床相关任务，说明高维bulk组学可被转化为低维、具生物学信息量的表征。 摘要提及跨独立队列的年龄预测与肺腺癌预后分层，但未给出队列规模、预测精度或分层统计量，属于方向性证据。

该工作面向需要从既有bulk组学中获取细胞类型分辨信息的研究者，适用于多种分子模态，并可在模拟数据、实验生成的bulk-细胞混合样本和真实世界数据集等设定下使用；其学到的Zc还被用于跨独立队列的时序年龄预测和肺腺癌预后分层，因此对希望把bulk数据转化为低维生物学表征的生物学与临床研究方向具有参考价值。

当前可获取的是摘要与利益冲突声明，缺少正文、图表与补充材料，因此无法核验具体性能指标、基准对比、队列规模与统计细节；此外，摘要未说明该方法在不同模态、不同组织或不同批次条件下的适用边界，也未说明Zc所支持的年龄预测与预后分层在独立数据中的稳定性，这些都属于需要阅读全文才能回答的开放问题。