药物再定位是降低研发成本的有效途径，但预测疾病进展中新细胞类型的药物反应仍是重大挑战。CRISP框架结合基础模型与细胞类型特异学习策略，在单细胞分辨率下实现了跨细胞类型和药物的泛化预测，为药物研发和个性化医疗提供了新思路。
智能速览
CRISP框架能在单细胞分辨率预测未见细胞类型的扰动反应
在NeurIPS数据集中logFC预测相关性提升41%
零样本预测揭示索拉非尼在慢性髓性白血病中的治疗作用
训练效率比CellOT方法提升约25倍
在跨平台预测中表现出优越的批次效应消除能力
精华内容
CRISP通过创新的技术架构，解决了传统方法在细胞类型泛化能力不足的瓶颈，实现了从未见细胞类型到药物扰动的迁移预测。
技术创新架构
CRISP的核心由两部分组成：细胞类型特异的配对对照编码器，利用单细胞基础模型将对照状态表达谱编码为稠密嵌入；扰动预测解码器，结合药物化学嵌入和剂量信息预测扰动后基因表达谱。这一架构不依赖特征对齐，可在跨平台、跨组织和零样本场景下进行预测。
该框架的最大创新在于通过生成模拟配对的对照预嵌入，保留细胞类型的变异性，同时通过对比学习与细胞类型分类增强细胞类型分辨力，为后续的药物反应预测奠定基础。
性能提升显著
在NeurIPS和SciPlex3数据集的评估中，CRISP在多种划分场景下均优于CellOT、scGen、Biolord和chemCPA等基线方法。具体数据显示，在NeurIPS数据集中对数倍数变化的预测相关性提升41%，跨组合任务平均提升24.5%。
在B细胞对Idelalisib和Palbociclib的响应预测中，CRISP比基线方法更接近真实结果，尤其在差异表达基因上的表现尤为突出。训练效率方面，CRISP比CellOT缩短约25倍训练时间，大大提升了实用性。
零样本预测能力
CRISP在同时未见细胞类型和药物的复杂场景下展现出强大的预测能力。在SciPlex3中，对9种未见抗肿瘤药物的预测结果在相关性和Sinkhorn距离上均显著优于chemCPA，显示出对药物多样作用机制的鲁棒性。
在药物再定位案例中，CRISP对索拉非尼在慢性髓性白血病（K562细胞）中的作用进行零样本预测，结果显示其可能通过抑制线粒体功能、RNA代谢、P53通路及CXCR4信号途径发挥抗肿瘤作用，这与既有临床研究一致。
跨平台适应性
CRISP在PBMC-bench等跨平台数据中表现优越，UMAP可视化表明其潜在空间有效消除了批次效应并保持细胞类型分离。在NSCLC的PC9数据集和不同测序平台间，CRISP仍能保持稳定性能。
消融实验发现，配对对照编码器显著提升性能10-30%，对比学习和细胞类型正则化贡献约75%的泛化效果，最大均值差异损失进一步提升预测表现。这些结果证明了CRISP框架的适应性和可靠性。
CRISP框架为预测未见细胞类型的药物反应提供了灵活而强大的解决方案，既可推动药物再定位研究，也为未来个性化医疗提供了有前景的技术路线。尽管在罕见细胞类型训练、跨平台预测精度等方面仍有提升空间，但其展现出的泛化能力和预测精度已经为药物研发领域带来了新的可能性。
