Pop-Corn 直接预测扰动引起的细胞组成变化，在留出扰动上优于以基因表达为中介的预测流程

Pop-Corn 直接预测扰动对细胞类型与细胞状态组成的重塑，而不经过基因表达重建这一中间步骤。 多数扰动预测方法以预测基因表达响应为目标，再在下游推断细胞类型与状态组成；该工作把组成性变化本身作为直接优化与预测对象。 摘要报告在主要 T 细胞基准中，Pop-Corn 对留出扰动的整体细胞状态组成预测比所评估的表达预测流程更准确，并更好地保留观测到的细胞状态多样性；具体模型、数据规模与统计量未在摘要中给出。

作者报告了一个反直觉的观察：能准确预测扰动引起的平均基因表达变化的模型，在预测组成性变化上仍然表现不佳。 这一发现把“表达预测准确”与“组成预测准确”区分开来，说明前者不能可靠地替代后者。 该结论来自作者对现有表达预测模型的评估，摘要以“Surprisingly, we find”表述，未给出具体模型清单、基准规模或误差指标。

Pop-Corn 被扩展到完整组织，可预测局部细胞邻域内扰动引起的细胞类型比例变化，并用注意力模式生成关于情境依赖细胞相互作用的假设。 方法从单细胞悬浮体系推广到保留空间结构的组织情境，并让注意力模式承担假设生成的角色。 摘要给出扩展方向与用途描述，未报告组织数据的具体来源、邻域定义或验证指标。

回顾性虚拟筛选支持用 Pop-Corn 按预测的细胞状态组成效应来优先排序待实验的扰动。 把组成预测与实验优先级排序的应用场景连接起来，指向筛选设计中的候选扰动排序。 摘要称“Retrospective virtual screens support”，属于回顾性证据，未给出筛选规模、命中率或前瞻验证结果。

该工作面向池化单细胞扰动筛选（如 Perturb-seq）中“未见扰动的组成性变化”这一预测任务，主要基准是 T 细胞，并进一步面向保留空间结构的完整组织，用于预测局部细胞邻域内的细胞类型比例变化。其预期使用者是需要从大量候选扰动中挑选实验对象的筛选研究者：方法输出的是组成层面的预测，可用于按预测的细胞状态组成效应排序扰动，并借助注意力模式提出关于情境依赖细胞相互作用的假设。回顾性虚拟筛选提示了这一用途，但摘要未说明其适用边界，例如对何种组织、何种扰动类型或何种细胞状态分辨率成立。

本次可获取的文本仅为摘要与利益冲突声明，属于不完整阅读范围，因此无法核对具体模型、数据集、评价指标与统计结果。读者仍会关心：组成预测的准确性在不同细胞类型、不同扰动类型与不同组织情境下是否稳定；注意力模式生成的相互作用假设是否经过独立验证；回顾性虚拟筛选的结论能否在真实的前瞻性实验中复现；以及当扰动引入原本检测不到的新细胞状态时，方法如何处理这类“新出现状态”的预测。这些问题在摘要中未给出答案，属于后续需要观察的方向。