标签
该研究提出“加性分歧（AD）”指标，评估扰动预测模型在未见过的基因组合上的外推可靠性，发现专门的神经预测模型并未稳定优于简单加性基线，且偏离基线越大的预测误差越大，该信号可指导自动扰动筛选工作流。
Arc Institute 认为，虚拟细胞模型只有在基于来自多样背景的高质量因果数据进行训练时，才能准确预测细胞类型对扰动的响应，从而避免将技术噪音误认为真实的生物学现象。
This paper analyzes the Virtual Cell Challenge benchmark for held-out CRISPRi perturbation prediction, finding that simple magnitude-based scalar features outperform deep MLP encoders, and that magnitude-only predictors transfer better across cell types.
PerturbCellRL 提出一种强化学习框架，通过使用细胞级验证器作为奖励对预训练的单细胞转录组生成器进行后训练，从而在分布匹配之外提升扰动预测的生物学一致性。