CellCanon把细胞扰动预测、证据解释与观测更新接进同一世界状态，一次新测量即可改写未测细胞系的预测
核心概要
单细胞扰动筛选仍留下许多化合物与细胞背景未被测量，CellCanon 把表达预测、带来源的解释和观测驱动的更新放进同一个共享世界状态。语言模型先整理药物与靶点证据，数值读出头再指导单细胞表达生成；在 339 个留出的 SciPlex3 条件上，其差异表达 AUPRC 与 Macro-F1 分别为 0.8067 和 0.8164，最强基线为 0.4938 和 0.6961。模拟实验反馈中，每个药物只给一个已测来源背景，固定权重的更新器即可把未测细胞系的差异表达 AUPRC 提到 0.9077。
深度剖析
CellCanon 让同一份条件级生物证据同时服务连续响应、差异表达和方向三类基因级读出，并把预测、来源链接的判断与新测量记录在同一个世界状态里。 此前的数值扰动模型只输出表达谱，逐基因的语言推理则单独推断响应标签，两者不共享可核查的证据链。 在 A549、K562、MCF7 三个细胞系的 339 个留出 SciPlex3 条件上，CellCanon 的差异表达 AUPRC 为 0.8067、Macro-F1 为 0.8164，最强基线分别为 0.4938 和 0.6961；方向 Macro-F1 为 0.8472，最强基线为 0.7903。
预测流程先由语言模型为每个条件挑选带来源的靶点证据，再在训练响应图谱上检索相似药物，用细胞特异的读出头给出基因级输出并指导单细胞生成。 证据整理在每个条件内只做一次并跨基因复用，而不是对每个基因单独发起一次语言模型推理。 与 VCWorld 的逐基因预测和思维链解释在匹配的药物–细胞队列上相比，Predict 在 339 个条件上的语言模型 token 用量降低 99.77%，Explain 在 72 个条件上降低 98.41%。
Update 用一个已测来源背景的响应去修正同一药物在未测细胞系中的预测，父预测器与更新映射的权重都保持不变。 对照是六个在已揭示来源细胞群上微调的响应模型，它们需要梯度更新才能吸收新观测。 每个药物给一个来源背景时，CellCanon 的差异表达 AUPRC/Macro-F1 为 0.9077/0.8261，最强微调对照 PerturbNet 为 0.6279/0.7630；三态 Macro-F1 为 0.7431 对 0.6116。
启示与展望
评估范围是 SciPlex3 中 A549、K562、MCF7 三个细胞系、24 小时合并剂量的 339 个留出条件，连续指标覆盖 2,000 个基因，分类面板另含 931 个 LINCS 标志基因。解释能力在 72 个条件、966 道题的来源基准上考察，更新能力通过按固定采集计划揭示已有 SciPlex3 测量来模拟实验反馈。
更新实验是回顾性模拟：目标条件始终未被观测，来源选择在适应前固定，因此反映的是已有测量被逐步揭示时的表现。48 次观测时差异表达 Macro-F1 从 0.8199 升到 0.8393，但 224 次观测时差异表达 AP 低于 112 次观测，说明反馈增多并不让每个指标都单调改善。解释基准的参考判断由分子来源记录定义，运行时修正未获得参考答案。