21.biolord：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： Disentanglement of single-cell data with biolord

期刊与年份： Nature Biotechnology，2024。论文原文。

范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。

阅读来源说明： Nature Biotechnology，2024；以当前 PDF 为准。

研究瓶颈怎样转化为问题

同一表达状态同时受细胞身份、时间、感染和技术背景影响；普通潜空间可能把它们混在一起。biolord 问能否将已知属性分开，同时为剩余未知因素保留表示，再替换一个属性来预测未测组合。依据设计逻辑推断，idea 是部分监督的分解与生成，而不是仅靠聚类给隐藏状态命名。它允许离散和连续属性，适合时间/剂量与细胞类别共同存在的数据。

输入、目标与结构

biolord 并不是给每个细胞套一个普通表达编码器，再声称潜维度分别等于年龄、感染等因素。它显式创建各已知属性的通道：细胞类型等离散标签共用可学习的类别向量；时间、剂量或化学特征等有结构的属性进入小型 MLP。剩余未知因素则是每个细胞一枚直接优化的向量，训练时与其他组件共同调整，基础模型的这部分不是从表达自动编码得到的通用向量。

生成器拼接这些向量重建观测。对预处理表达、原始计数或峰计数，可分别使用高斯、零膨胀负二项或 Poisson 分布；重建目标包括对应负对数似然和均值的平方误差。另向未知向量加入高斯噪声，并惩罚它的幅度，让它不能轻易藏进全部标签信息。一个示意例子是，同一参考细胞保留自身未知向量和空间区域，只把“未感染”换成“感染”，再比较两份预测表达；变化由已知状态通道引入。如果未知向量已记住完整感染效应，标签交换就没有意义，这正是容量限制的作用。

biolord-classify 再让分类器/回归器从表达预测缺失属性；有真实标签的细胞以交叉熵或均方误差训练，缺标签细胞用预测属性补全生成输入。因此“重建细胞”“预测未测条件”“给隐藏状态补标”是三个目标。训练资料中的交叉覆盖决定分解能否被检验，标签交换不自动具有实验因果解释。本文的疾病相关例子是感染状态与宿主表达，未直接输入 DNA 变异。

Figure 1：biolord 的属性分解与预测

原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。

子图	讲什么，以及怎样理解
a	图示同一细胞测量混合多个身份属性，提出分离这些因素的目标。
b	分别编码已知标签属性，并以单一表示容纳未知属性，组合后的潜空间经生成模块预测测量。
c	展示各属性潜空间解释、反事实表达、状态相关特征及缺失标签分类四类用途。
d	将参考细胞的某属性标签替换为目标状态，生成对应表达，说明反事实预测的输入/输出。
e	在 sci-Plex 三癌细胞系、188 药物资料中，以九种未见药物的 10 μM 响应作测试，并比较十个随机种子结果；高剂量是偏离对照较大的困难场景。本文该测试的平均 r² 为 biolord 0.76、chemCPA-pre 0.51，支持在该划分上的反事实预测改善。

a/b 把细胞类型、时间、组织和扰动作为不同通道，c 列出表征、反事实、状态特征和分类用途，d 明确只替换指定属性、保留参考细胞其他部分。e 才将这种操作放进可评分的真实留出任务：sci-Plex 三癌细胞系的九种未见药物，在最高剂量 10 µM 比较预测与实测的全基因表达，报告十个随机种子的平均 r²。biolord 0.76、chemCPA-pre 0.51 的差别对应这一划分与指标。新药的输入并非一个未训练的名字：作者加入 RDKit 化学特征，把药物结构与剂量作为有序属性、细胞系作为类别属性，因此有可泛化的输入桥梁。

为什么同时需要“完整性”和“最小性”？重建要求保留细胞里可测的变化，但若未知向量足够自由，它能独自记住一切，时间和感染通道就被忽略；噪声与幅度惩罚使已知标签通道更有用。过强约束又可能损失真实异质性，这个权衡应通过留出误差评估，不由潜空间看起来整齐决定。e 的全基因 r² 容易受稳定基因支配，延伸应用还应单列响应增量和 DEGs；多个种子解决优化稳定性，不能代替药物家族或研究留出。

Figure 2：疟原虫感染中的隐藏状态

原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。

子图	讲什么，以及怎样理解
a	肝阶段细胞 UMAP 按感染后时间着色，展示时间进程。
b	同一图按感染、未感染、对照标记，说明已知状态分布。
c	把原始对照及其感染/未感染反事实投射到 UMAP，检验模型预测状态与数据结构是否一致。
d	对反事实识别的感染相关基因作 GSEA，发现与感染相符的通路变化。
e	中晚期感染细胞按已报道 36 h 的流产性/有效感染状态着色，展示原始标签范围。
f	biolord 对 24、30、36 hpi 的感染细胞分类，流产性细胞比例分别为 1.6%、5.7%、21.5%。它把原先仅在 36 hpi 明确标注的状态扩展到较早的 24/30 hpi，提示中期隐藏的感染失败状态。
g	流产性细胞各时间点疟原虫转录本比例更低，提供独立于分类标签的支持。
h	流产性细胞干扰素调控/响应基因更高，按时间形成轨迹，解释其与有效感染的宿主状态差异。

a/b 先显示感染后时间及感染标签在实测宿主表达 UMAP 中怎样混合，c 再把对照细胞替换感染属性得到的预测放回同一空间。它检验生成是否呈现相符模式，d 用预测相关基因的 GSEA 解释感染程序：横轴是负富集分数，点的颜色/大小分别对应校正显著性和基因比例，不能把点大直接读作更大表达倍数。这一步是生成与解释的合理性检查，并非新的真实感染实验。

隐藏状态的学习在 e/f 更具体：原研究在 36 hpi 标注感染流产或有效，biolord-classify 利用这些标签、宿主表达、时间、空间区和 stress_score，将分类推广到 24/30 hpi。显式加入压力评分意在避免把一般细胞应激全当成感染失败。f 在 24、30、36 hpi 的流产性比例为 1.6%、5.7%、21.5%，是模型补标后的群体估计。g 的纵轴是寄生虫 RNA 在总计数中的比例，推断流产组在较早及 36 小时时都较低，为分类提供不同来源的生物读出；h 的点图将平均宿主干扰素相关表达与表达细胞比例分开，检查失败状态是否对应不同免疫程序。

这条证据链最有价值的是将原先仅能在晚时点识别的状态，变成较早时间可检验的假说，再用寄生虫负荷和宿主程序支持它。三个时点仍来自不同细胞；单细胞 RNA 测量破坏样本，没有逐细胞从有效转成流产的真实轨迹，因此不能从比例直接算转换率。g/h 虽然提供区别于训练类别的读出，却仍来自同一研究，不是独立感染队列。后续研究应验证早期被补标细胞在独立实验中的负荷或结局，避免将模型标签再当真实标签循环证明。

我的理解与可迁移设计

我会借鉴其数据分解契约：哪些属性是已测标签、哪些未知，是否存在足够交叉条件，先列清再谈反事实。AD 诊断与年龄、组织来源或尸检质量可能高度相关，即使潜空间看似分开，也未必获得可识别的疾病效应。纯计算研究可在真实配对实验中验证分解和外推，再将病人观察数据作关联分析；不能通过替换 AD 标签生成细胞后，宣称已模拟可逆治疗。

用于 DNA 变异跨环境预测时，真实配对 MPRA 的构建与等位保持不变、仅环境改变，才为交互提供可检验标签。若两个研究的构建长度、载体或细胞不同，‘环境’同时包含实验技术，模型不能自动拆除。应先完成单环境效应预测，再检验有正式配对的差值；没有配对就保留缺口。

有限资源下不必追求大预训练，可以以固定序列表示、已知条件和小生成/回归头做严格基准。最关键的成功标准是独立未见条件的真实效应，而不是潜空间可视化的整齐或预测产生的通路显著性。随机种子、供体/研究留出和标签泄漏检查分别解决不同问题，都不能被一种高相关指标取代。真实验证应包含独立研究和不同取样背景。