📄 第26期 | GEARS: Predicting transcriptional outcomes of novel multigene perturbations with GEARS — 图神经网络如何预测基因组合的"化学反应"

当两个基因同时被扰动时，细胞的转录响应不是简单的"1+1=2"。GEARS 用一个融合了生物学先验知识的图神经网络，首次实现对未见过的多基因组合扰动结果的精准预测，将遗传相互作用识别精度比已有方法提升 40%。

🔬 为什么这篇文章重要？

生物学中最令人头疼的问题之一，是组合爆炸。

假设你怀疑 100 个基因参与了某种癌症的发生，想知道它们之间的"合作关系"——哪两个基因同时敲除会杀死癌细胞？哪三个基因的联合突变会导致耐药？你需要测试的组合数是：C(100,2)=4950 种双基因组合，C(100,3)=161700 种三基因组合。靠实验一个一个做？不现实。

这正是单细胞扰动筛选（perturbational screen）的困境：CRISPR 等技术让我们能高效地在单个细胞中敲除或激活特定基因，但遍历所有可能的基因组合是不可行的。于是就有了一个关键的计算问题：能不能从已有的单基因和少数双基因扰动数据中，推断出任意未见过的新组合的转录结果？

GEARS (Graph-Enhanced gene Activation and Repression Simulator) 正是为此而生。Roohani、Huang 和 Leskovec（斯坦福大学，Jure Leskovec 组）在 Nature Biotechnology 上发表了这个方法，截至本文写作已有 342 次引用和 12 万次访问——对于一个计算方法来说，这个关注度说明了领域对"基因组合扰动预测"问题的迫切需求。

🧠 核心创新：GEARS 是怎么工作的？

GEARS 的核心理念可以概括为一句简单的设计哲学：让神经网络知道基因之间的关系。

在 GEARS 之前，预测基因扰动结果的方法大致分为两类。传统方法依赖线性模型或简单的回归来推断基因之间的相互作用，它们的问题是：当两个基因在训练数据中从未一起出现过，模型毫无头绪——输出一个平庸的均值预测。而纯深度学习方法的思路是"把所有基因表达值扔进一个黑箱模型"，问题是模型不知道基因 A 和基因 B 在生物通路中是什么关系，面对新基因组合时依然只能靠统计相关性硬猜。

GEARS 的突破在于引入了一个知识图谱驱动的图神经网络。具体的架构由四个核心组件构成：

工作流程可以分三步理解：

第一步：知识注入。 模型拿到一个扰动组合（比如"敲除基因 A 和基因 B"），首先通过 GO GNN 在整个基因功能关系图上做消息传递，让每个基因的嵌入"知道"自己与其他基因的功能亲疏。

第二步：邻居聚合。 同时在共表达 GNN 上，每个基因聚合其共表达邻居的信息——这一步让模型捕捉到"虽然基因 A 和基因 C 在 GO 数据库中没有直接联系，但它们在数据中总是协同表达"这类数据驱动的模式。

第三步：扰动解码。 被扰动基因的嵌入经过一个特殊的"扰动融合"MLP 与全局基因嵌入交互，然后通过跨基因解码器逐基因输出响应值。

这个设计的优雅之处在于：知识图谱相当于给了模型一本"生物教科书"，而共表达网络相当于给了模型一本"考试真题"——两者结合，模型既不会因为只刷题而在没见过的题型上翻车，也不会因为只背书而脱离真实数据分布。

📊 关键实验结果

GEARS 在三个公开的 Perturb-seq 数据集上进行了评估（Norman 2019、Adamson 2016、Dixit 2016），核心结果令人印象深刻：

组合扰动预测精度。 在"simulation split"设定下——即训练数据包含所有单基因扰动，但测试数据中的双基因组合从未在训练中出现——GEARS 相比最强基线模型在 Pearson 相关系数上提升了约 8-12 个百分点。更重要的是，在差异表达基因（DEG）的识别上，GEARS 的 top-20 DEG 召回率远超此前所有方法：其他方法预测的"扰动后变化最大的基因"往往和实际数据重叠不到 30%，而 GEARS 达到了 50% 以上。

遗传相互作用（Genetic Interaction, GI）分类。 这是 GEARS 最亮眼的结果。遗传相互作用可以分为四类：协同（synergy）、抑制（suppression）、加性（additivity）和冗余（redundancy）。GEARS 在这四类 GI 上的分类精确度比此前最优方法高出 40%，并且在识别"最强相互作用基因对"上，命中率是此前方法的两倍。

零样本泛化。 GEARS 甚至展示了某种程度的"零样本"能力：当训练数据中只包含单基因扰动时，它虽然不能准确预测双基因扰动的精确数值，但能有效排序哪些基因组合会产生最强的影响——这对于实验设计中的优先级排序已经足够有用了。

⚠️ 局限与展望

GEARS 的作者们在 GitHub README 中坦率地列出了几个重要局限，这种坦诚在领域内并不常见：

第一，GEARS 目前不能跨细胞类型泛化。如果你用 A549 肺癌细胞系的数据训练了模型，它不能直接用于预测 K562 白血病细胞系的扰动结果——不同细胞类型的基因调控网络差异太大。

第二，模型需要一定量的组合扰动数据才能有效预测新组合。纯单基因扰动训练是不够的，GEARS 必须"见过"至少一些双基因组合，才能学会推断更复杂的组合。这其实是一个合理的先决条件。

第三，知识图谱的质量决定了 GEARS 的上限。当前版本使用 Gene Ontology 作为基因关系知识源，但 GO 数据库本身并不完整——许多基因的功能注释仍然缺失，特别是在非模式生物中。

从更广阔的视角看，GEARS 代表了一种重要的范式："深度学习 + 结构化先验知识"的结合正在成为单细胞计算的主流方向。在单细胞大模型（scGPT、Geneformer、scFoundation 等）试图从海量未标记数据中学习通用细胞表示的浪潮中，GEARS 的路径是互补的——它不是追求"更大更通用"，而是追求"在特定问题上，用最少的数据做最精准的推断"。这两条路可能最终会汇合。

📎 论文信息

• 📄 论文: Predicting transcriptional outcomes of novel multigene perturbations with GEARS
• 🔗 链接: https://doi.org/10.1038/s41587-023-01905-6
• 💻 代码: https://github.com/snap-stanford/GEARS
• 👥 团队: Yusuf Roohani, Kexin Huang, Jure Leskovec | Stanford University
• 📊 影响力: 342 Citations · 122k Accesses · 167 Altmetric (Nature Biotechnology, 2024)