单细胞解耦生成模型跨状态预测实践

一、技术背景：单细胞数据中的属性纠缠问题

单细胞转录组测序能够在一次实验中获取成千上万个细胞的基因表达谱。然而，每一个细胞的表达向量并非只反映单一生物学因素，而是同时编码了细胞类型、组织来源、分化阶段、空间位置、采样时间以及疾病状态等多重属性。这种”属性纠缠”给下游分析带来了实质性困难：当研究人员试图比较不同处理组的差异表达时，细胞类型组成的差异往往会掩盖真实的扰动效应；当试图构建细胞类型特异性的调控网络时，培养条件或批次效应又会引入伪相关。

传统的应对方式是分层分析或回归校正，但这些方法通常要求属性之间相互独立，且难以处理属性组合中缺失的样本。更关键的是，实验本身存在物理限制：并非所有属性组合都能被实际观测到。例如，某种细胞类型可能只在特定疾病状态下被采样，某些药物与基因扰动的组合实验成本极高，罕见细胞亚群在特定时间点的样本可能根本无法获取。这就引出了一个具有实际价值的问题：能否从已有的观测数据中学习属性与表达之间的解耦关系，进而在属性空间中进行”虚拟实验”，预测未观测组合下的细胞状态？

深度生成模型为这一问题提供了可行路径。其核心思路是：将细胞表达谱映射到一个潜在空间，并强制该空间的某些维度与特定属性对齐，其余维度则承载残差变异。通过在潜在空间中改变属性标签后再解码回表达空间，即可生成”假如该细胞处于另一状态”的虚拟表达谱。这类方法统称为单细胞数据解耦表征学习，本文讨论的生成式框架即为其中一种代表性实现。

二、方法原理：解耦、迁移与预测的三层逻辑

2.1 属性解耦的表征学习

解耦的基本假设是：观测到的表达谱由若干可解释的属性变量共同决定，外加噪声与未观测因素。模型通过编码器将表达谱压缩为潜在向量，并在训练过程中施加约束，使潜在表示中与已知属性相关的信息被显式分离出来。常见做法包括为每个属性设置独立的子空间、引入属性分类或回归的辅助损失、以及通过对抗训练削弱潜在表示中残留的属性信息。

与简单的线性校正相比，生成式解耦的优势在于它同时建模了属性的联合分布与表达的生成过程，因此不仅能去除属性效应，还能在属性取值变化时重建出合理的表达谱，而不仅仅是残差。

2.2 跨状态迁移的操作方式

在获得解耦表示后，跨状态迁移的操作非常直观：固定细胞在”不变属性”上的潜在编码，替换其在”目标属性”上的取值，再由解码器生成新的表达谱。例如，固定细胞类型与组织来源，将疾病状态从”对照”改为”患病”，或将时间点从早期改为晚期，即可得到该细胞在目标状态下的预测表达。这一过程不需要目标状态下的真实样本参与训练，因此具备外推能力。

需要强调的是，迁移的可靠性高度依赖于训练数据中属性取值的覆盖程度。若目标属性取值在训练集中完全缺失，模型实际上是在做分布外推断，其结果的置信度会显著下降。因此实践中应优先在属性取值有部分覆盖、但组合缺失的场景下使用。

2.3 预测未知扰动的应用边界

将药物处理或基因敲除视为一类属性时，若训练数据中包含了部分扰动样本，模型可以学习扰动与表达变化之间的映射关系，进而对未测试的扰动组合给出预测。这类预测适合用于假设生成与实验优先级排序，例如从数百个候选扰动中筛选出最值得做湿实验验证的少数几个。

但必须明确其局限性：生成模型学到的是数据中的统计关联，而非因果机制。预测结果不能替代真实实验，尤其在扰动效应微弱、细胞状态异质性强或存在强烈批次混杂的情况下。合理的定位是”减少无效实验批次、提升假设命中率”，而非”取消实验”。

三、环境搭建与依赖管理

下面以隔离的虚拟环境方式完成依赖安装，避免与系统级 Python 冲突。以下命令为通用形式，读者可按自身环境调整包管理工具。

# 创建并激活隔离环境
conda create -n scdisent python=3.10 -y
conda activate scdisent
# 安装核心依赖（使用国内镜像加速）
pip install scanpy anndata pandas numpy matplotlib seaborn scipy -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 注册内核，便于在交互式笔记本中切换环境
python -m ipykernel install --user --name scdisent --display-name "scdisent_py310"

在笔记本中导入依赖并做基础配置：

import warnings
warnings.filterwarnings("ignore")
import numpy as np
import pandas as pd
import scanpy as sc
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import ttest_rel
# 统一绘图风格与随机种子，保证结果可复现
sns.set_style("whitegrid")
np.random.seed(42)

若交互式环境中出现进度条相关的告警，通常只是前端组件版本问题，不影响计算逻辑，可按提示升级对应组件或直接忽略。

四、数据准备：属性列的组织规范

解耦模型对输入数据的要求集中在两点：表达矩阵的质量，以及属性注释的完整性。建议按以下步骤整理：

1. 质控与归一化：过滤低质量细胞与低表达基因，进行标准化与对数变换，必要时选择高变基因。注意不同样本应合并后再统一处理，避免各批次独立归一化引入额外差异。
2. 属性列规范化：将细胞类型、组织来源、时间点、疾病状态等分别存为独立的分类列，缺失值统一标记为显式类别而非 NaN，便于模型识别。
3. 属性取值覆盖检查：统计每个属性与各取值的交叉计数，确认目标迁移方向在训练集中有足够支撑。建议对每个属性组合的样本量设置下限，过少的组合应合并或剔除。

# 读取已整理的 h5ad 数据
adata = sc.read_h5ad("processed_data.h5ad")
# 查看属性列分布
for col in ["cell_type", "tissue", "timepoint", "disease"]:
    print(adata.obs[col].value_counts(dropna=False))
    print("-" * 40)
# 交叉计数，评估组合覆盖度
combo = adata.obs.groupby(["cell_type", "disease"]).size().unstack(fill_value=0)
print(combo)

对于样本量极少的组合，应在训练前明确其处理策略：或合并类别，或在评估时将其排除，避免模型在该组合上过拟合。

五、模型训练与跨状态生成

训练流程通常包含三步：定义属性字段与目标、拟合模型、在潜在空间中执行属性替换并解码。

from scdisent import DisentModel  # 示意性导入，实际以所用实现为准
model = DisentModel(
    attr_keys=["cell_type", "tissue", "timepoint", "disease"],
    latent_dim=64,
    hidden_dims=[512, 256],
    epochs=300,
    batch_size=256,
)
model.fit(adata)
# 构造目标属性：保持其他属性不变，仅修改疾病状态
target_obs = adata.obs.copy()
target_obs["disease"] = "case"
# 生成虚拟表达谱
pred = model.predict(adata, target_obs)

生成结果应做基本合理性检查：预测表达的基因均值分布是否与真实数据同量级、标记基因是否仍保持细胞类型特异性、预测前后的整体相关性是否处于合理区间。若出现整体表达塌缩或标记基因完全丢失，通常说明潜在空间约束过强或训练不充分。

六、结果评估：三类可操作的验证策略

由于目标状态缺乏真实样本，评估需要借助间接证据，建议组合使用以下三种方式：

其一，留出组合验证。 从训练集中人为移除某一属性组合，用其余数据训练后预测该组合，再与真实数据比较。可计算预测与真实表达的相关性、差异基因重叠率，以及细胞类型判别的一致性。这是最直接可信的评估方式。

其二，伪扰动一致性检验。 对同一细胞施加方向相反或可逆的属性变换（如对照转患病、再转回对照），检验往返预测是否近似还原原始表达，以评估模型的可逆性与稳定性。

其三，下游任务增益。 将预测数据用于差异表达分析或扰动响应排序，检验其是否能复现已知的生物学结论。若预测数据能稳定召回已知标志基因，说明其具备一定的实用价值。

# 留出组合验证示例：比较预测与真实表达的相关性
from scipy.stats import pearsonr
mask = (adata.obs["cell_type"] == "T_cell") & (adata.obs["disease"] == "case")
real = adata[mask].X.toarray().mean(axis=0)
pred_mean = pred[mask].X.toarray().mean(axis=0)
r, p = pearsonr(real, pred_mean)
print(f"留出组合相关性: r={r:.3f}, p={p:.2e}")

此外，还应做敏感性分析：改变潜在维度、正则强度与随机种子，观察预测结果的波动幅度。若结果对超参数高度敏感，说明外推可靠性有限，应谨慎解读。

七、实践建议与风险提示

明确适用场景。 该类方法最适合”属性取值有覆盖、组合有缺失”的场景，例如已有多种细胞类型在对照与患病条件下的样本，但缺少某类细胞在患病条件下的数据。对于完全未观测的扰动类型，预测仅可作探索性参考。

控制属性粒度。 属性划分过细会导致组合稀疏，过粗则丢失关键信息。建议先以粗粒度属性建模，再对关键属性做细分，并通过留出验证比较不同粒度的效果。

警惕混杂与批次。 若属性取值与批次高度重合（例如所有患病样本来自同一批次），模型可能学到批次效应而非生物学信号。应在建模前检查属性与批次列的关联性，必要时将批次作为额外属性纳入模型或在预处理阶段校正。

结果必须回到实验验证。 虚拟迁移的产出应被视为假设清单，优先选择预测效应强、生物学上可解释的候选进行湿实验验证。这样既能控制成本，又能逐步校准模型的可靠性边界。

八、小结

单细胞数据的解耦生成建模，把”属性分离”与”状态迁移”统一到一个可训练的框架中，为跨状态预测提供了可操作的 technical 路径。它的价值不在于取代实验，而在于以较低成本扩展可探索的状态空间，帮助研究者在有限的测序预算下更精准地分配实验资源。掌握环境搭建、数据组织、训练调参、留出验证与敏感性分析这一整套流程，才能真正把生成结果转化为可信的生物学假设。