PIE：扰动预测模型把基因和细胞系编号换成注释，没见过的扰动也能预测

2026 年 10 月，Arc Institute 团队在 bioRxiv 上放出一篇预印本，公布了一个叫 PIE 的模型。它最抓眼球的数字是：在四种人源细胞系的扰动数据上，识别差异表达基因的 AUPRC 达到了各档最强基线的 1.2 到 3.2 倍，而增益最大的一档恰恰是"没见过的扰动"，也就是扰动本身从未出现在训练集里。这份领先不来自更大的生成模型，而来自一个更朴素的动作：把输入里的基因和细胞系从无意义的编号换成一串数据库里写好的描述和功能证据。这篇专题要检验的，就是这个动作带来的增益及其边界。

一、旧方法为什么把"没见过"变成了一道无解的问题？

单细胞扰动实验（Perturb-seq）的做法是：给一大群细胞施加同一种扰动，比如用 CRISPR 把一个基因敲低，再逐个细胞测出它的表达谱。所谓扰动预测，就是给定一个扰动，让模型说出细胞里哪些基因会升高、哪些会降低。这个任务的难点不在模型规模，而在两件与"没见过"直接相关的事上。

第一件事是词表外。旧方法习惯把基因、细胞系都当作实体 ID，也就是一个编号。模型给每个见过的编号学一个向量，一旦测试集出现训练时没见过的编号，模型手里就没有对应的向量，也就无法输出。这在零样本学习里叫 OOV（词表外）。编号是任意的，它本身不携带任何关于这个基因做什么、这个细胞系来自哪里的信息，所以"没见过一个编号"约等于"一点线索都没有"。

第二件事是反事实缺口。我们真正想要的是"这个细胞如果没被扰动会变成什么样"，但同一个细胞不可能同时被观测处理前和处理后，真实对照天然缺失。Nadig 等人在 Nature Genetics 上用 TRADE 框架把这件事讲得很直白：Perturb-seq 数据本身嘈杂，很多效应检测不到，典型基因的扰动大约只影响 45 个基因，而典型 essential gene 的扰动会波及 500 个以上，大量真实差异表达在常规单基因检验里并不显著Replogle-Nadig。反事实测不到，是物理事实，不是工程偷懒。

在 PIE 之前，这条路上最被广泛使用的方法是 GEARS。它并不是没有努力。下面这张图展示了它当年的办法：

图注：GEARS 给每个基因配两套向量，一套 gene embedding（绿色）、一套 gene-perturbation embedding（红色）。两套向量分别进入两张关系图，一张是按共表达相关性连边的基因关系图，一张是 Gene Ontology 派生的扰动关系图，再用 GNN 聚合邻居信息后输出扰动后的表达。两条图共同承担一件事：让训练集里没出现过的基因也能拿到一个有意义的向量。GEARS

原论文报告，这套桥接让 GEARS 在单基因 OOV 设定下 m.s.e. 比"不预测"基线低 30% 到 50%（Pearson 相关高 2 倍以上）。但它有一个硬边界：作者在论文 Discussion 里写明，GEARS 为了可靠预测必须用同一细胞类型训练；GitHub 官方 README 也写着"目前不支持跨细胞类型训练或跨细胞类型迁移"。换句话说，这条知识桥只在同一个细胞系内好用，一换细胞系就断。

那么"换细胞系"到底有多难？PIE 的评测场地是 Replogle-Nadig 的四细胞系 Perturb-seq 数据集，覆盖 K562、RPE1、HepG2、Jurkat，共 5,459 个（细胞系，扰动）对、6,642 个基因Replogle-Nadig。TRADE 的跨细胞系分析显示，扰动效应的可移植性只是中等水平：造血谱系、功能相近的 K562 与 Jurkat 之间相关系数中位数约 0.74，而 K562 与 RPE1 之间只有约 0.40。也就是说，"未见细胞系"不是形式上的划分，它是真的有信息落差。

顺带交代一下坐标系。2024 年 12 月，Bunne 等 42 位作者在 Cell 上发了一篇虚拟细胞路线图，把 AI 虚拟细胞定义成"能跨状态模拟分子、细胞、组织行为的多尺度、多模态大模型"，并给出三项核心能力：通用表征、预测行为、in silico 实验AIVC。注意这篇综述只覆盖到 2024-12，里面并没有点名 PIE、State、Stack，这些是 Arc 后来才补上的模型层。

所以旧范式里的"没见过"，本质上就是一个词表外的编号。编号不带信息，桥又只在单个细胞系内成立，于是"没见过"也就约等于"猜不出"。

二、PIE 的第一刀：为什么先把预测目标从"逐细胞"改成"群体统计量"？

PIE 的第一刀没有砍向模型结构，而是砍向了任务定义。它取消了"预测每个细胞的绝对表达"这个目标，改成对每个（细胞系，扰动）对只预测三样东西：二元 DE 标签（这个基因有没有显著变化）、有符号 log fold change（变了多少、往哪个方向）、以及分箱后的伪批量 Δ 表达（把一群细胞加总成大样本后的差异）。

这个改写看着不起眼，但它把输出空间压小了。PIE 论文自己把这一步解释为"减少模型必须预测的可能输出空间，从而增强迁移到新条件的可迁移性"PIE。逐细胞分布又高维又嘈杂，还依赖你根本测不到的反事实；群体统计量则只需要控制好采样噪声，任务本身就可外推得多。

承载这个任务的骨架是 Perceiver IO，分 encode、process、decode 三段。可变长度、可变类型的知识 token（下一章详说）先被一组固定数量的 latents 通过交叉注意力收编进来，latents 之间再自注意力处理，最后每个基因用自己的查询去解码出特征向量，交给三个预测头。

这里可以用一个直觉：把 latents 想成一叠固定数量的抽屉。不管外面送进来的是二十条注释还是两百条注释，是文本还是数值，编码阶段都把它们"收编"进这叠抽屉里，所以抽屉的数量永远不变。到了解码阶段，每个基因各自拉开抽屉取用自己需要的信息。抽屉数固定这件事解决的是接口问题：它让变长、异质的输入能被统一地接纳下来，而不必为每一种输入长度或类型另开一条通道。至于这种统一接纳能不能真的换来对未见条件的泛化，要等第四章的分档结果才能检验。

图注：PIE 的三段式架构。左侧两条输入通道，一条是 Knowledge Sources，装着来自外部数据库的多源知识；另一条是 Per-gene evidence，装着基线表达和训练集里的响应统计。两者经左右的 Encoder 交叉注意力汇入中央的 Processor 自注意力，再由右侧 Decoder 让每个基因分别查询。最右侧三个任务适配器接三个预测头，分别输出 DE、有符号 LFC、分箱 Δ 表达。PIE

值得一提，放弃"逐细胞对应"不是 PIE 一家的判断。2026 年 9 月，另一支团队（中科院体系）独立发布 PopPert，同样明确反对假设 control 与 perturbed 之间存在细胞一一对应，只不过它把抽象再往前推了一步：不止输出 DE 基因集合，而是输出完整的群体分布参数。

图注：PopPert 的三步流程。它先把 control 群体的状态显式参数化成两部分，一部分是每个基因的边际分布，另一部分是跨基因的低秩依赖关系；再用 Transformer 以扰动、细胞上下文和基因嵌入为条件，预测相对 control 的残差；最后用高斯 copula 采样并按逆 CDF 映回表达空间，生成扰动后的细胞。它放弃逐细胞对应这个决定与 PIE 相同，只是输出形态换成了完整分布。PopPert

两条路线的分歧也很清楚：PIE 以语义属性 token 为输入，输出的是一组群体统计量，包括 DE 标签、有符号 LFC 和分箱伪批量 Δ 表达；PopPert 的输出则是显式的分布参数。两者都在群体这一层做预测，只是输出形态不同。所以"走到群体级"是一次方向收敛，而不是某一家模型更强。

同期还有一个反向对照。同样是 2026 年 9 月，scEGFlow 仍然选择逐细胞生成式路线，用 conditional flow matching 生成扰动后的单细胞分布，再用能量梯度在推理时把它校准到目标条件scEGFlow。另外，同一机构（Arc）的姊妹模型 State 走的是第三条路：不做策展知识，而是用 set-level self-attention 在大规模扰动数据上端到端学习State。

一句话收束这一章：PIE 领先的第一步不是把模型做大，而是把任务改小，只预测群体统计量。

三、那"没见过"的凭什么能被预测？——把编号换成一串带证据的描述

任务改小之后，还剩一个问题：模型凭什么知道一个训练集里没出现过的扰动会做什么？PIE 的答案是，别让它去认编号，让它去读描述。这个思路并不新。

2009 年，Lampert 等人在 CVPR 上提出 DAP 与 IAP 两种方法，用的就是"用属性层替代类别 ID"。他们的设定是训练类别与测试类别完全不相交，靠每个类别的语义属性（比如"有条纹""生活在水里"）作为中间层，让模型能推断从未见过的类别。他们在 Animals with Attributes 数据集上验证了这一点：50 个动物类别、85 个属性、30,475 张图，DAP 的多类准确率 40.5%，IAP 是 27.8%，而随机猜只有 10%DAP-IAP

这张图想说的只有一件事：属性层是 Y 与 Z 之间唯一的耦合通道。一旦属性分类器学好了，要新增一个类别，不需要重训模型，只要把那个类别的属性向量填进去。

PIE 走的是同一套思路，把"用描述替代编号"搬进了扰动组学（这是思想史层面的对应，而非两篇论文间的直接引用关系）。它把每个（细胞系，扰动）对的多源知识都 token 化，送进 Perceiver IO。论文附录给出的清单很具体：细胞系用 Cellosaurus 条目做文本嵌入；遗传扰动这一侧接 NCBI Gene 的基因描述、NCBI Gene Annotations 里的 GO term 与疾病关联、ESM2 蛋白序列嵌入、STRING 蛋白互作网络、以及 DepMap 的基因依赖性分数；化学扰动这一侧接 PubChem 条目、ChemBERTa 的 SMILES 嵌入、L1000 转录活性签名、PRISM viability、JUMP Cell Painting 特征。除此之外还有一组 per-gene evidence 三通道，包括基线表达、同扰动在其他细胞系的响应、同细胞系下其他扰动的响应，这三组统计量全部只来自训练集PIE。Cellosaurus 是策展的细胞系注释，PubChem 是化合物描述，这些先一句话带过。

这份清单里最有分量的是 DepMap，也最容易被误读成"中立的先验库"。实际上它根本不是静态注释，而是基因组尺度 CRISPR 敲除筛选的产物。下面这张图展示了它的来路：

图注：DepMap 数据从去卷积后的 sgRNA 测序读数出发，走四阶段流水线。第一阶段把读数整理并做质量过滤，得到 readcount 矩阵；第二阶段算相对 pDNA 的 log2 fold change；第三阶段用 CERES（现役为 Chronos）把信号拆成基因效应与拷贝数效应；第四阶段用 EM 推断每个分数代表真实生物学表型的概率，输出基因依赖性矩阵。黑格白格只用来示意每一步在压缩哪一个轴，不是统计图。DepMap

这一点为什么重要？因为 DepMap 在（细胞系，基因）维度上给出的"基因依赖性分数"，与 PIE 要预测的扰动效应属于同一类实验范式。后者预测的正是敲掉一个基因之后细胞会怎样，前者记录的正是敲掉一个基因之后细胞会怎样。所以当 DepMap 被当作输入 token 时，它既是提示最强的一条通道，也是潜在泄漏最大的通道。

PIE 论文对这条边界有过部分回应：附录写明没有知识源含有评测数据集的测量值，DepMap 虽然包含 K562 等相同细胞系，但来自独立的 CRISPR 筛选PIE。但"独立筛选"不等于"无泄漏"，同一个细胞系上两次独立的 CRISPR 功能筛选，功能相关性仍可能很高，论文并没有给出无泄漏的定量证明。这笔账先记着，第五章要还。

回到这一章的主线：PIE 的"未见"不是真未知。它被换成了数据库里有注释、有功能证据的描述，泛化正是从这一步来的。

四、这份增益到底有多大、落在哪一档？

现在可以直接看成绩了。PIE 在 Replogle-Nadig 内的评测把泛化分成三档：A 档只换细胞系、扰动见过；B 档只换扰动、细胞系见过；C 档两者都换。三档的 AUPRC 分别是：A 档 0.424，对照最强基线 Rhaister-O 的 0.344，约 1.23 倍；B 档 0.304，对照 TabICL 的 0.094，约 3.23 倍；C 档 0.239，此时唯一可比的只剩 context mean 的 0.088，约 2.71 倍PIE

图注：三行对应三种泛化情形。第一行是只换细胞系、扰动见过；第二行是只换扰动、细胞系见过；第三行是两者都换。每行六列是不同的评价指标，蓝色柱是 PIE，其余是基线。灰色斜纹格表示该基线在这一档无法执行任务。可以看到 PIE 在三档的 AUPRC 都最高，而基线名单每档都在变，所以"3.2 倍"这个数字只对第二档成立。PIE

这里要点破一个反常：三个倍数看起来都是"对最强基线"，但最强基线每档不是同一个。A 档是 Rhaister-O，B 档是 TabICL，C 档只剩 context mean 可比。这跟"对固定对手赢 3.2 倍"是完全不同的两件事，引用的时候必须带口径。

真正值得追的是 B 档。最大增益出现在"扰动没见过、细胞系见过"这一档，也就是 PIE 的知识通道最该发挥作用的场景。而 C 档，两者都换，增益明显缩水。

跨数据集的零样本结果更极端。PIE 用 Tahoe-100M、X-Atlas-Orion、Jiang 和 Arc VCC 2025 四个数据集训练，所有共享细胞系（含 Hep-G2、C3A 这类派生系）都从训练中剔除，直接去测 Replogle-Nadig 的四个细胞系。

图注：训练集来自四个与 Replogle-Nadig 不重叠的数据集，测试直接在 Replogle-Nadig 的四个细胞系上进行。上面一行是训练中见过的扰动，PIE 的 AUPRC 0.378 对最强基线 0.283，约 1.34 倍。下面一行是训练中没见过的扰动，此时除 context mean 外，所有基线都被灰格标为"无法执行任务"，只剩 PIE 还能输出，AUPRC 0.252 对 context mean 的 0.102，约 2.47 倍。要注意这不等于 PIE 必然更准，只说明那些基线缺少这一档所需的输出接口。PIE

换句话说，在"扰动也没见过"这一档，State、Stack、COMPASS-N、PRESAGE、TabICL 这些基线直接跑不起来，只有 PIE 这条知识式路径还留着一个输出口。这恰恰是它相对学习式路径的可运行性优势。

把这一章收成一句：增益确实大，但它是分档的。扰动未见时最大，细胞系和扰动同时未见时明显缩水。而这个缩水，正是下一章的入口。

五、这到底是在外推机制，还是在把已知答案提前填进输入？

第三章记下的那笔账，现在来还。

先看 PIE 自己承认了什么。论文结论部分明确写着，当细胞系和扰动同时未见时性能下降，对小效应扰动的表现也更弱。更重要的是，论文自始至终没有主张发现了新机制，也没有前瞻性湿实验闭环，更没有声称能预测数据库尚未记录的响应。它只承认未来需要覆盖更多样实验条件的扰动数据PIE。

再回扣 DepMap。既然它的输入本身就是 CRISPR 功能筛选数据，与要预测的扰动效应同源，那么 C 档性能缩水就有了一个朴素解释：那一档里，能够"提前填空"的知识变少了。PIE 论文自己的 Shapley 归因也支持这一点，在未见扰动档，DepMap 恰是贡献 AUPRC 最大的单条扰动知识源PIE。这不是说增益全是假的，而是说它更可能来自"公共知识补上了实验稀疏"，而不是模型掌握了可外推的细胞因果机制。

外部证据也在往同一个方向指。2025 年 12 月，Wei 等人在 Nature Methods 上发布了一份独立的扰动预测基准，覆盖 27 种方法、29 个数据集、6 个指标。结论是：基础模型在大数据集上确实能胜过简单基线，但在小数据集或未见细胞上下文上就不一定；作者自己给出的改良方案 biolord-emCell，做法是把 biolord 的可学习细胞类型嵌入换成由 scGPT 导出的细胞系嵌入，再配上解耦scPerturBench。

图注：这是那份独立基准关于细胞上下文泛化的综合结果图，由八个面板拼成。面板 a 对比分布内与分布外两种设定的差别，面板 b 是各方法在多指标上的排名热图，面板 e 和 f 把 biolord、scDisInFact 这类结构化方案与简单基线分组对比，最直观地显示先验加成带来的差距，面板 g 和 h 分别看噪声稀疏度与时间内存开销。重点不是某一个方法赢了，而是在分布外设定里简单基线经常不落下风。scPerturBench

第二份独立证据来自 2025 年 4 月的 BMC Genomics。Csendes 等人在四个 Perturb-seq 数据集上发现，连"训练集均值"这种朴素基线，在差异表达空间的 Pearson Delta 上都超过了 scGPT 和 scFoundation，而一个只拿 Gene Ontology 项当特征的随机森林进一步把差距拉开BMC-Bench。

图注：上部是评测流程示意，从 scRNA-seq 和对照单细胞出发，让模型生成扰动后的预测，再与真实的差异表达比对。下部四张并列柱状图是四个 Perturb-seq 数据集上的结果，纵轴是差异表达层面的 Pearson Delta，横轴是七个模型，包括 scGPT、scFoundation，以及训练集均值、随机森林加 GO 特征等基线。同一张图里能直接看到，"均值 + GO"这条朴素路线稳定地压在两个基础模型前面。BMC-Bench

两份方法不同、数据集不同的独立基准，指向同一个方向：结构化先验一贯能压制更大的端到端生成模型。必须说明的是，PIE 与 State 都没有被这两份基准直接评估过，这里借它们说明的是现象不是孤例。

行业刻度也大致如此。Arc 在 2025 年 12 月的首届 Virtual Cell Challenge 赛事总结中承认，当年模型并未在所有指标上稳定超过朴素基线，混合深度学习与经典统计特征的方案普遍占优；这项挑战赛的任务定义另见 Cell 2025 年的挑战赛文章VCC。而 State 则自称是"首个能可靠胜过简单线性基线的模型"，这与结构化先验更稳的基准结论形成了张力，也提醒我们两条路线各有代价State。

所以，PIE 的分数更支持"公共知识能补实验稀疏"，而不是"模型已经掌握了可外推的细胞因果机制"。

六、那这套东西该用在哪、下一步该补什么？

把这个判断落到实操，就是一件事：按知识稀缺度分层。

高注释密度的对象，比如功能基因明确、细胞系注释齐全的扰动源，正是 PIE 最擅长的地方，拿它做实验排序、组合扰动粗排，或对高注释密度的细胞系做预测，都比较有把握。低注释的对象则要主动降低信任。这不是抽象担心：知识通道越稀疏、注释越少的对象，模型可依赖的信号就越少，预测也越应该保守。论文在描述基线设置时也提到，在 Replogle-Nadig 的 Jurkat 语境下，只有 STRING 和 DepMap 两个特征可用PIE。知识通道一稀疏，模型能依赖的信号就更少。

这张表里前三列是依据 PIE 的知识通道清单与知识覆盖度差异推出的应用取向，最后一列完全没有实测支撑，因为迄今没有实验去测过 PIE 能不能发现数据库尚未记录的响应。

那下一步该补什么？关键不是再刷一次随机划分。真正的下一步，是设计能测"模型能否发现数据库尚未记录的响应"的前瞻湿实验闭环，并对每个知识源做逐源消融，看清每一份增益究竟是哪条通道贡献的。

最后把视角拉回坐标系。Bunne 等人的综述把虚拟细胞的考核分成两条线：一条是泛化，即能否在没见过的细胞类型和遗传背景上表现好；另一条是发现新生物学，即能否产出可被湿实验验证的新假设AIVC。PIE 兑现了第一条，第二条仍然空缺。

图注：这张图分三个面板勾勒虚拟细胞坐标系。面板 a 讲通用表征，指同一套嵌入能跨物种、跨模态、跨条件共享；面板 b 讲对细胞生物学的表征与预测能力；面板 c 讲虚拟细胞与人类在不同层次上的交互。它标出的是能力地图，不是 PIE 在其中的位置，综述本身也没有点名 PIE。AIVC

而更可取的路线，也许不是二选一，而是把先验和嵌入结合起来。那份独立基准自己推荐的 biolord-emCell 就是这个方向：保留原有的解耦结构，同时把细胞上下文换成外部嵌入scPerturBench。

回到贯穿全篇的那个问题：所谓"未见"，到底是模型没见过，还是知识没见过？PIE 给出的答案是一条具体的证据链。它把未见对象从无信息的实体编号，改写成了一串带注释、带功能证据的描述，于是"未见"从不可解变成可解码。这也正是它最值得记住的地方：扰动预测当前最稀缺的，不是更大的生成模型，而是可迁移的生物学表征。至于这条路能不能真的走到"发现新生物学"，得靠前瞻实验来回答，而不是靠再一次刷榜。

参考文献

1. PIE: Generalizing perturbation effects across unseen perturbations, contexts and datasets — https://www.biorxiv.org/content/10.64898/2026.10.02.756297v1
2. How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities (Cell 2024) — https://arxiv.org/abs/2409.11654
3. Virtual Cell Challenge: Toward a Turing Test for the Virtual Cell (Cell 2025) — https://www.cell.com/cell/fulltext/S0092-8674(25)00675-0
4. Predicting cellular responses to perturbation across diverse contexts with State (bioRxiv 2025) — https://www.biorxiv.org/content/10.1101/2025.06.26.661135v1
5. Predicting transcriptional outcomes of novel multigene perturbations with GEARS (Nature Biotechnology 2023) — https://www.nature.com/articles/s41587-023-01905-6
6. Benchmarking algorithms for generalizable single-cell perturbation response prediction (Nature Methods 2025) — https://www.nature.com/articles/s41592-025-02980-0
7. Benchmarking foundation cell models for post-perturbation RNA-seq prediction (BMC Genomics 2025) — https://link.springer.com/article/10.1186/s12864-025-11600-2
8. PopPert: Population-level Joint-Distribution Modeling for Single-Cell Perturbation Prediction (arXiv 2026) — https://arxiv.org/abs/2609.01357
9. Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer (CVPR 2009) — https://hannes.nickisch.org/papers/conferences/lampert09objclasses.pdf
10. Replogle 2022 (Cell) + Nadig 2025 (Nature Genetics) — 四细胞系 Perturb-seq 与 TRADE 统计框架 — https://www.nature.com/articles/s41588-025-02169-3
11. Generalizable single-cell perturbation response prediction using energy-guided flow matching (arXiv 2026) — https://arxiv.org/abs/2610.02232
12. DepMap Portal (Broad Institute) — Cancer Dependency Map 数据来源说明 — https://depmap.org/portal/