Работа стоит на отшибе: ближайшие соседи занимаются предсказанием ответа на возмущение, а не обратным ранжированием. Вокруг уже есть карты от возмущений к экспрессии (Perturb-seq, LINCS), графовые и фундаментальные модели, а также кросс-модальные мосты вроде UniPert–G2CP. Но ни один из них не отвечает на вопрос вмешательства: какой из каталогизированных нокаутов скорее всего вызовет или обратит наблюдаемый переход. Для химических возмущений обратный поиск давно устоялся через Connectivity Map и L1000, а для генетических — только начинает оформляться. RevPert встаёт в эту нишу, предлагая единый интерфейс ранжирования для любого транскриптомного контраста.
RevPert строит галерею профилей нокаутов (предсказанных линейной моделью для Essential или средних по фолдам для LINCS-KO) и сравнивает с запросом ΔY = YB − YA. Сначала вычисляется знаковая корреляция Пирсона между запросом и каждым профилем галереи. Затем общий энкодер (многослойный перцептрон) сжимает профили через PCA до 256 измерений и выдаёт изученную схожесть в 128-мерном нормализованном пространстве. Итоговый балл — взвешенная сумма z-оценок корреляции и изученной схожести, где вес α настраивается при обучении. Обучение максимизирует InfoNCE-лосс по всему каталогу с мягкой регуляризацией от учителя Пирсона. Для внешних контрастов устойчивости используется тот же двухплечевой интерфейс: плечо A ранжирует по фенокопии (совпадение знака), плечо B — по противоположному знаку (эвристика активации).
На Essential Perturb-seq RevPert достиг лучшего медианного ранга во всех четырёх линиях (например, HepG2: 266 против 572 у Пирсона), улучшив Recall@10 в 1.5–3.4 раза (HepG2: 12.5% против 3.7%). Парные тесты Уилкоксона отвергли равенство в пользу RevPert на каждой линии (P < 10⁻¹⁸), а бутстреп-интервалы не включали ноль. На десяти линиях LINCS-KO RevPert показал средние медианные ранги 345–560, что в 7–15 раз ниже, чем у официального PDGrapher (тысячи). Recall@10 составил 4.14% против 2.18% у Пирсона и 1.64% у PDGrapher. На внешних контрастах устойчивости: для HCC/сорафениб AURKA оказался на 29-м месте плеча B (против 137-го по величине DEG), METTL3 — на 65-м плеча A (против 4040-го по DEG). Для CML/иматиниб на GWPS каталоге MYB занял 1-е место плеча A, STAT5A — 16-е плеча B, STAT5B — 27-е плеча A, RUNX1 — 18-е плеча B, BCR — 34-е плеча A, тогда как DEG-ранги были значительно хуже. Абляция показала, что чисто изученное сходство улучшает идентичность, но обрушивает якоря устойчивости, а остаточное слияние сохраняет и то, и другое.
RevPert отличается от соседей тем, что решает обратную задачу ранжирования каталога для наблюдаемого перехода, а не предсказывает ответ на заданное возмущение. Он впервые систематически проверяет внешнее использование — номинацию драйверов лекарственной устойчивости — как основной результат, а не как побочный тест. Метод показывает, что знаковая геометрия Пирсона необходима для сохранения биологически осмысленных якорей, а чистый retrieval без неё теряет направленность. Это задаёт стандарт для будущих обратных скореров: не отбрасывать корреляцию, а учить остаток поверх неё.
По мере расширения атласов Perturb-seq тот же интерфейс можно переобучать на более широких каталогах, включая тканеспецифичные линии для улучшения переноса. Возможно включение графовых или фундаментальных энкодеров в остаточный компонент при сохранении линейной галереи. Для внешних применений потребуются более строгие протоколы валидации с независимыми экспериментальными проверками.
Метод может ускорить поиск кандидатных генов-драйверов в исследованиях лекарственной устойчивости, старения и прогрессии рака. Он также предоставляет короткие списки для последующих моделей drug-target и focused wet-lab assays.
Следующий шаг — валидация номинированных драйверов в независимых экспериментах и расширение на другие переходы состояний, такие как колоректальная прогрессия или сенесценция. Также стоит исследовать перенос энкодера между контекстами с линейно-сопоставленными каталогами.
В области геномики остаётся открытым вопрос, как от наблюдаемого транскриптомного сдвига перейти к причинным генам, а не просто к дифференциально экспрессируемым. RevPert напрямую атакует эту проблему, предлагая ранжирование каталога вмешательств, но не решает её полностью: ранги остаются гипотезами, требующими экспериментальной проверки. Связь с нерешённой проблемой идентификации каузальных регуляторов в сложных транскриптомных программах очевидна.
Вспомните, как детектив ищет преступника по отпечаткам: RevPert делает то же самое, но вместо пальцев — профили экспрессии тысяч генов. При этом он не просто ищет совпадение, а учитывает направление сдвига, как если бы детектив различал, кто оставил след, а кто его стёр.
Работа опубликована не на arXiv. Здесь её страница, PDF и формализация: проверить можно самим, а не только прочитать наш разбор.