# GRN-Guided Cascaded Flow Matching 讲解稿 --- ## Slide 1：封面 大家好，今天我汇报的题目是 **GRN-Guided Cascaded Flow Matching for Single-Cell Perturbation Prediction**——用基因调控网络引导的级联流匹配方法来做单细胞扰动预测。 --- ## Slide 2：Task——单细胞扰动预测 首先介绍一下我们要解决的任务。 **虚拟细胞**是当前计算生物学的核心愿景：我们希望构建一个 AI 模型，能够在计算机中模拟真实细胞的行为——给定任意输入条件，预测细胞的分子状态变化。单细胞扰动预测是实现虚拟细胞最关键的子任务之一。 扰动有很多种类型：药物扰动、细胞因子扰动、基因扰动等。我们这个工作聚焦的是**基因扰动**，具体来说就是用 CRISPR 技术对细胞进行基因敲除或过表达，然后用单细胞 RNA-seq 测量所有基因的表达变化。 任务的形式化很简单：已知 control 细胞的基因表达谱和被扰动的基因，预测扰动后的基因表达谱。基因数量大约是 5000 个高变基因。 --- ## Slide 3：为什么重要 & 数据特点 这个任务为什么重要？三个原因： 第一，**药物筛选加速**。做一次 Perturb-seq 实验成本非常高，如果能用计算预测，可以大幅缩小候选范围。 第二，**组合扰动爆炸**。N 个基因的两两组合就是 N(N-1)/2 种实验，不可能穷举，必须靠预测。 第三，**理解疾病机制**。预测哪些基因被扰动后会产生某种疾病表型。 我们使用的是 Norman 数据集，大约 9000 个细胞，5000 个高变基因，105 种单基因和双基因的 CRISPR 扰动。 这里有一个关键挑战：**细胞配对不可得**。扰动是破坏性的，一个细胞只能测一次，我们无法得到同一个细胞扰动前后的配对数据。 --- ## Slide 4：现有方法——简单基线与预训练大模型 接下来看看现有的方法。 最简单的基线是 **Additive Shift**，也就是均值偏移：直接用训练集里扰动前后的平均差来预测。它假设扰动效应对所有细胞是一个常数平移，完全忽略了细胞异质性。但有意思的是，这个简单基线出奇地难以超越——很多复杂模型在 top DE 基因上并不比它好。 **scGPT** 是 2024 年发表在 Nature Methods 上的工作，用自回归 Transformer 在大规模单细胞数据上预训练。它做扰动预测的方式是把扰动基因 mask 掉让模型补全。但本质上它是自回归补全，不是为扰动预测专门设计的。 **Geneformer** 也是 2024 年发在 Nature 上，用 rank-value encoding 做预训练。它做扰动预测是直接删掉目标基因的 token，看 embedding 变化。这是一个启发式方法，没有真正学习扰动的动力学。 **CPA** 把细胞状态分解为 basal state 加 perturbation effect，在 latent space 里做线性组合。问题是线性可加假设太强了，基因调控本质上是非线性的。 --- ## Slide 5：现有方法——专用扰动预测模型 再看看专门为扰动预测设计的模型。 **GEARS** 用 Gene Ontology 图上的 GNN 来编码基因关系，但 GO 图是静态的先验知识，不随细胞状态变化，而且它是确定性预测，不能给出分布。 **STATE** 是 ICLR 2025 的工作，用 Stacked Attention 做表达变换，同样是确定性预测，没有从 GRN 变化的角度建模。 **CellFlow** 也用了 flow matching 框架，但它用预训练 embedding 作为条件，这些 embedding 编码的是绝对状态，没有显式建模扰动对调控网络的改变。 **scDFM** 是我们的基线方法，今年发表在 ICLR 2026。它把 Conditional Flow Matching 引入扰动预测，学习从噪声到目标表达的速度场。优点是生成式模型，能给出分布，训练也稳定。但问题在于信息来源单一——只有 control 的数值表达加扰动基因的 embedding，模型不理解基因间的调控关系。 --- ## Slide 6：所有现有方法的共同盲区 总结一下，所有现有方法都有一个共同的盲区： 它们都是 **扰动 → 黑箱模型 → 表达变化** 这样的端到端模式。 没有任何一个方法显式地建模中间这一步：**扰动是如何通过基因调控网络的变化来导致表达变化的**。 我们的方法要做的，就是把这一步补上：**扰动 → GRN 变化 → 表达变化**，显式建模生物学机制。 --- ## Slide 7：Motivation 1——Flow Matching 解决配对问题 我们的工作有三个 motivation。 第一个是用 Flow Matching 来解决细胞配对问题。刚才提到，单细胞扰动数据天然没有 paired data，一个细胞扰动后就变了，无法回到扰动前状态。 传统方法要么用群体均值匹配丢失异质性，要么用 Autoencoder 受限于重建质量。 **Flow Matching 的优势**在于：它学习的是从 source 分布到 target 分布的概率传输映射，天然适合 unpaired 数据。不需要逐细胞配对，只需要两组细胞的群体分布。通过 Conditional Optimal Transport 构造训练对，效率更高。而且它是生成式输出，每个 control 细胞可以采样多个预测，给出不确定性估计。 --- ## Slide 8：Motivation 2 & 3——GRN 视角 + scGPT Attention 第二个 motivation 是从 GRN 变化的角度来理解扰动。 生物学上，基因扰动不是简单地改变一个基因的值。比如 CRISPR 敲除基因 A，首先 A 的表达降为 0，然后 A 直接调控的基因 B、C、D 发生变化，再往下 B 调控的 E、F，C 调控的 G、H 依次改变——这是一个通过基因调控网络的级联传播过程。如果我们能先理解 GRN 如何变化，再预测表达，预测会更准确。 第三个 motivation 是 scGPT 的 attention matrix 可以作为数据驱动的 GRN。预训练的 scGPT 在 attention matrix 里编码了基因间的调控关系：attn[i][j] 高表示基因 j 对基因 i 有强调控。而且这个 GRN 是上下文相关的，随细胞状态变化，比静态的 GO 图灵活得多。 我们可以分别输入 control 和 perturbed 的表达，得到两个 attention matrix，它们的差值 Δ_attn 就直接反映了扰动引起的 GRN 变化。 --- ## Slide 9：方法总览——Cascaded Flow Matching 基于这三个 motivation，我们提出了 Cascaded Flow Matching。 核心思路是在 scDFM 的 flow matching 框架上，引入一个 **GRN-aware latent flow**，形成两阶段的级联结构： **Stage 1 是 GRN Latent Flow**：从噪声生成 GRN 变化特征，理解调控网络如何改变。推理时先完成。 **Stage 2 是 Expression Flow**：从噪声生成基因表达预测，基于 GRN 变化来预测表达。推理时后完成。 生物学直觉很简单：模型先"想清楚"扰动改变了哪些基因调控关系，再基于这些理解去预测表达变化。 --- ## Slide 10：模型架构 具体的模型架构是这样的。 输入分为两部分：一是条件信息，包括 control 表达、扰动基因 ID 和两个时间步；二是辅助生成目标，就是 GRN 变化特征 z，通过 frozen scGPT 的 Δ_attn 乘以 gene embedding 得到。 模型有**双流输入**：Expression Stream 编码表达信息，Latent Stream 编码 GRN latent 信息，两者加法融合。 融合后进入**共享骨干**：4 层 DiffPerceiverBlock，配合 GeneadaLN 注入条件信息。条件向量 c 由两个时间步加扰动 embedding 组成。 最后是**双头输出**：ExprHead 预测表达速度场，LatentHead 预测 latent 速度场。 --- ## Slide 11：Cascaded 训练与推理 训练的时候我们不同时优化两个 flow，而是概率切换： 40% 的概率训练 Latent Flow——t₂ 随机采样，t₁ 固定为 0，只算 latent loss。 60% 的概率训练 Expression Flow——t₁ 随机采样，t₂ 接近 1，只算 expression loss。 推理的时候是两阶段串行： **Stage 1** 先跑 GRN Latent，从 z_noise 通过 ODE 生成 z_clean，理解 GRN 如何变化。 **Stage 2** 再跑 Expression，利用已完成的 z_clean 作为条件，从 x_noise 通过 ODE 生成 x_pred。 这种先后顺序的设计，就是我们这个工作的核心：先理解调控变化，再预测表达变化。 --- ## Slide 12：当前挑战与解决方向 目前有两个主要挑战。 **第一个挑战：GRN 信号噪声太大。** scGPT 的 attention matrix 是 5000×5000 的稠密矩阵，有 2500 万个非零值。但真实的 GRN 是极度稀疏的，一个基因通常只直接调控几十个靶标。所以 99% 以上的 attention 值都是噪声。实验也验证了这一点：latent loss 约 1.12，远高于 expression loss 的 0.019。 我们的解决方案是**稀疏化 Top-K**：每个基因只保留 Δ 值最大的 K=30 个连接，过滤掉 99.4% 的噪声。 **第二个挑战：512 维的 latent 太难预测。** 每个基因的 GRN 特征是 512 维，整个速度场是 250 万维，模型难以在每个时间步预测这么大的向量。消融实验证实，把维度从 512 降到 1，loss 从约 1.1 降到约 0.5。 解决方案是 **PCA 降维**：把 512 维的 gene embedding 通过 PCA 投影到 64 维，去掉冗余维度，只保留主要的变化方向。 --- ## Slide 13：总结与展望 总结一下，我们这个工作的核心贡献不是在模型架构上做改进，而是**从生物学机制出发**重新建模扰动预测任务：用 Cascaded Flow Matching 实现"先理解调控变化，再预测表达变化"。 后续最关键的实验是验证因果假设。我们计划训练一个支持任意推理顺序的模型，然后对比三种推理方式： - 先 GRN 后 Expression——我们预期这是最优的； - 先 Expression 后 GRN——预期次优； - 同时 random——预期最差。 如果"先 GRN 后 Expression"显著优于其他顺序，就验证了我们的核心假设：**理解基因调控网络的变化，是预测扰动表达变化的前提条件，而不是副产物。** --- ## Slide 14：核心结论 最后一句话总结： 我们用 scGPT 的 attention delta 显式提取扰动引起的基因调控网络变化，通过 cascaded flow matching 强制模型"先理解 GRN 如何改变，再预测表达如何变化"，从而将生物学先验——扰动通过 GRN 级联传播——融入生成式模型的推理过程。 谢谢大家，欢迎提问。