堆:关于单细胞生物学的上下文学习
bioRxiv : the preprint server for biology
|January 16, 2026
概括
新的基础模型S tack通过考虑细胞背景来增强单细胞转录组学. 这种方法可以改善对各种生物条件的预测,而不需要对数据集进行特定的微调.
科学领域:
- 单细胞生物学 单细胞生物学
- 基因组学就是基因组学.
- 计算生物学是一种计算生物学.
背景情况:
- 单细胞转录组学揭示了细胞多样性,但面临着测量精度的挑战.
- 现有的基础模型经常独立处理细胞,限制其上下文理解.
研究的目的:
- 介绍S tack,这是单细胞转录组学的新型基础模型.
- 利用邻近细胞的上下文信息来改善细胞表征.
- 为了实现用于单细胞数据分析的通用语境学习.
主要方法:
- 训练有素的STACK使用表式注意力对149亿个人类单细胞进行了检测.
- 开发了一个框架,在这个框架中,细胞在推断时间起到指导示例的作用.
- 应用 S tack 创建 Perturb Sapiens 扰乱细胞的地图.
主要成果:
- 与基线方法相比,S tack显著提高了下游任务的零射击性能.
- 该模型允许从未标记的细胞中进行上下文学习,以预测条件效应.
- 产生了Perturb Sapiens,这是一个全面的图谱,涵盖了组织和细胞类型的扰乱人类细胞.
结论:
- 斯塔克为单细胞生物学提供了一个强大的新建模框架.
- 该模型解锁了通用语境学习能力,推进了细胞表型的分析.
- Perturb Sapiens为研究细胞对干扰的反应提供了宝贵的资源.
