传统药物研发周期长、成本高。CRISP模型利用单细胞基础模型，成功预测未见过细胞类型的药物响应，解决了现有方法泛化性不足的难题。这一突破为加速药物重定位和实现个性化精准治疗提供了强大的技术支持。
智能速览
传统药物研发面临高失败率和长周期的挑战。
CRISP模型能有效预测未见过细胞类型的药物响应。
模型在多个数据集上性能显著超越现有基线方法。
其核心在于结合单细胞基础模型与细胞类型特异性学习。
消融实验验证了scFMs选择和对比学习模块的关键作用。
该模型在稀有细胞类型上的预测能力仍有提升空间。
精华内容
CRISP模型通过巧妙的架构设计，将单细胞基础模型的强大表征能力与细胞类型特异性学习相结合，实现了对未知细胞群体药物响应的精准预测，为药物研发开辟了新路径。
CRISP架构
CRISP模型包含两个核心模块。首先是scFM辅助的细胞类型特异性配对对照编码器，它利用预训练的单细胞基础模型（如scGPT）为每个被扰动的细胞生成模拟的配对对照嵌入，从而捕捉细胞类型的固有变异性。其次是细胞类型特异性扰动预测编码器，该模块通过一个细胞类型分类器和对比学习机制，增强模型对不同细胞类型扰动响应差异的捕捉能力，确保了在异质细胞群体中的预测准确性。
训练与优化
模型的训练目标函数由三部分构成。第一部分是基于VAE的预测损失，结合了MSE损失和最大均值差异（MMD）损失，用于最小化预测与真实基因表达谱之间的误差。第二部分是KL散度，用于量化后验分布与先验分布的差异。第三部分是正则化项，包括细胞类型分类器的交叉熵损失和对比学习的余弦距离损失，用以提升模型在潜在空间中对不同细胞类型的区分度。药物特征通过化学基础模型RDKit从SMILES字符串编码获得。
实验结果
在NeurIPS和SciPlex3等多个公开数据集上的测试表明，CRISP的性能显著优于CellOT、scGen等基线方法。在预测未见过细胞类型的任务中，CRISP在NeurIPS数据集上log(FC)的皮尔逊相关系数提升了41%，所有未见过组合的平均性能提升了24.5%。
即使在“未见过细胞类型+未见过药物”的复杂双重零样本场景下，CRISP的皮尔逊相关系数仍比排名第二的方法高出17.5%，证明了其强大的泛化能力。单细胞分辨率指标也证实了其在个体细胞水平上的预测准确性。
核心优势
CRISP的成功归因于几个关键设计。首先，基于Transformer架构的单细胞基础模型（scFMs）提供了强大的细胞状态表征能力，尤其是“对照状态预嵌入初始化”策略，有效支撑了跨平台和跨组织的预测。其次，模型引入的细胞类型特异性分类器与对比学习模块是其性能超越传统方法的核心。然而，实验也发现，由于训练样本不足，该模型在稀有细胞类型上的方向准确率仍有待提升。
CRISP模型通过引入单细胞基础模型与细胞类型特异性学习，为药物响应预测领域带来了突破。它不仅显著提升了预测的泛化能力，也为个性化治疗和药物重定位提供了新思路。未来如何解决稀有细胞类型的预测难题，将是值得探索的方向。
