arXiv cs.AI· Yuchen Yan, Yatao Bian·· 3 天前AI 评分22
PerturbEnergy：用条件能量先验学习扰动特异性表征预测细胞响应
Learning Perturbation-Specific Representations through Conditional Energy Prior for Cellular Response Prediction
AI 导读
研究者提出 PerturbEnergy，通过在扰动表征上引入条件能量先验，对与给定扰动兼容的表征赋予更低能量，从而将潜空间显式偏向扰动偏好区域。该方法可集成进自编码器架构，其 ELBO 与完整自编码器的 ELBO 等价，并被证明能提升表征与扰动间条件互信息的下界。
正文 · AI 翻译
摘要：基于 AI 的细胞扰动预测对于加速药物发现和治疗识别至关重要。然而，扰动特异性信号通常被细胞复杂性所掩盖，使得现有方法难以正确捕捉扰动效应。为解决这一问题，我们提出 PerturbEnergy，它在扰动表示上引入条件能量先验。它为与给定扰动兼容的表示分配较低能量（较高概率），为其他表示分配较高能量，从而显式地将潜在空间倾斜至扰动偏好的区域。此外，PerturbEnergy 可以集成到自编码器架构中，因为我们发现其证据下界（ELBO）等价于完整自编码器的 ELBO。我们进一步证明，优化 PerturbEnergy 会提高表示与扰动之间条件互信息的下界。在四个基准数据集上的大量实验证明了我们 PerturbEnergy 的有效性：它改进了扰动识别，尤其是在潜在空间中，提升幅度最高达 83.2\%；它还在预测 top-50/100/200 差异表达基因（DEG）响应方面达到最先进性能，并在高变基因（HVG）预测上保持竞争力。代码见：this https URL
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.18456 [cs.LG] |
| （或 arXiv:2610.18456v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18456 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yuchen Yan [查看邮箱]
[v1]
2026年10月13日星期二 14:24:25 UTC（581 KB）
来源：arXiv cs.AI · arxiv.org