单细胞扰动预测有了统一底座：DCAF把数据配对、评估口径与模型放进同一框架
核心概要
单细胞扰动实验成本高、通量有限，计算预测却长期受评估口径不一和难以稳定超过简单基线困扰。DCAF把数据配对、评估标准与预测模型合成一个框架：用熵正则最优传输为每个扰动细胞找回扰动前状态，用非沉默基因的对数倍数变化打分，再用JEPA结构联合编码扰动前后细胞。在跨基因、跨细胞类型与跨脑区设定中，DCAF-model在非沉默基因上的对数倍数变化R²与MSE优于GEARS、scGPT、线性与均值基线。
深度剖析
单细胞扰动模拟不再只比拼模型结构，而是把训练数据配对、评估口径和预测模型作为一套流程一起处理。 此前该领域的模型多直接学习随机配对的对照细胞与扰动细胞之间的差异，而一个细胞在现有技术下只能被测一次，学到的调控模式因此混入配对异质性。 在多种细胞类型数据上，DCAF配对得到的平均KL散度低于随机配对、按细胞类型内随机配对和CINEMA-OT；去掉全局优化后，七个数据集中有四个的匹配对照细胞比例跌到20%以下。
预测模型同时接收扰动前和扰动后的细胞状态，而不是只把对照细胞投影到隐空间。 常见生成式框架只编码对照细胞，DCAF-model改用联合嵌入预测架构，让对照与扰动细胞分别经过参数由指数滑动平均关联的编码器。 编码器采用预训练scGPT并加LoRA微调，预测器是三层Transformer，首层用交叉注意力把扰动信息注入对照基因嵌入；在Frangieh、H1 hESCs和成年小鼠脑数据上，非沉默基因的准确率高于生成式框架。
评估改为只看非沉默基因的对数倍数变化，使打分对模型误差更敏感、对零膨胀噪声更稳。 基于计数的MAE、基于参考的相关系数和DEG类指标各自侧重不同方面，零膨胀带来的非生物噪声会干扰评估。 在已知误差水平的合成数据上，DCAF-criterion对误差的最小响应在对数倍数变化R²和MSE上分别比表现最好的Systema高3.5倍和60倍；在只向零表达基因注入噪声时，其响应范围比Pearson相关分别低898倍和60倍。
在留出基因、留出细胞类型和跨脑区三种泛化设定下，DCAF-model都给出可解释的扰动响应预测。 此前系统评测显示，复杂深度模型和基础模型并不总能稳定超过线性或均值基线。 在人类脑类器官上，模型对未见基因和Astrocytes、Excitatory neurons、Inhibitory neurons、NPCs、OPCs等未见细胞类型均取得最优；在成年小鼠脑从PFC迁移到MOp时，Dgcr8敲低预测复现了已知的细胞类型特异性调控异质性。
启示与展望
演示范围覆盖细胞系、多细胞类型脑组织、人类脑类器官和成年小鼠脑的扰动数据，评估以非沉默基因的对数倍数变化为主，并单列持续沉默基因的MSE与MAE。读者对象是从事单细胞扰动建模与基准评测的研究者。原文提出，未来可探索在扰动前后对同一细胞测序，以及把模拟结果组织成实验设计。
原文说明，DCAF-criterion的沉默基因阈值依据各数据集表达分布人工设定。跨细胞类型预测的优势与训练、测试细胞类型之间的转录组相似性和离散度相关，Astrocytes与OPCs的相似度较高时准确率也较高。这些结论来自预印本，尚未经同行评审。