理解虚拟细胞：初学者指南
原文来自：https://dirtyhands.hashnode.dev/understanding-the-virtual-cell-challenge-a-beginners-guide-to-predicting-gene-expression
什么是虚拟细胞挑战？
想象一下，你无需踏入实验室，就能预测细胞在调整某个基因后的状态！这就是 Arc 研究所 2025 年举办的虚拟细胞挑战赛的精彩世界。它就像一场游戏，你的 AI 模型扮演着“细胞算命”的角色，猜测基因沉默会如何改变细胞的活性。这篇博客将深入分析这项挑战，重点关注验证数据，并提供一些简单的例子，帮助你入门！
介绍
科学家可以使用 CRISPR 等工具来调整这些基因，以研究疾病或药物。但这需要时间和金钱。这项挑战要求我们构建 AI 模型来虚拟模拟这些变化，从而节省精力并加快发现速度：
- 目标：预测沉默一个基因会如何影响干细胞（H1 胚胎干细胞系）中的所有其他基因。
- 数据：获得训练数据（已知结果）和验证集（待解决的新难题）。
训练数据 adata_training.h5ad
这是训练模型的主要数据，这是一个很大的文件（15GB）。它包含了221,273个细胞，18,080个基因。下面是一些关键的元数据：
- obs：对于每个细胞，都有观测，包括target_gene（被扰动的gene名，non-targeting代表对照细胞）。guide_id（用于扰动的特定引导 RNA）。batch（实验批次）。
- var：对于每个gene，有一个gene_id。
在obs中，还有cell barcode，这是一个简短DNA序列，比如AAACAAGCAACCTTGT
对于non-target的细胞：non-target标识了 38,176 个对照细胞。这些是健康、未受干扰的细胞，可作为重要的基准。模型需要观察“非靶向”细胞才能理解什么是“正常”。只有这样，它才能理解当基因被靶向时细胞发生了多大的变化。
对于guide_id：这是用于靶向基因的分子工具（向导RNA）的更具体的标识符。有时，为了确保效果可靠，会使用多个不同的向导RNA来靶向同一个基因。
对于batch：来自不同批次的细胞在实验室条件下可能存在细微差异，而不是生物学差异。我们需要模型识别并忽略这些技术差异，仅关注由基因扰动引起的真实生物学变化。
核心数据X：这是数据集的核心。它是一个庞大的表格，包含 221,273 行（细胞）和 18,080 列（基因）。表格中的每个数字代表单个细胞中特定基因的表达水平。数字越大，基因越活跃。大多数人认为他们的 scRNA-seq 矩阵是原始的，其实不然。
首先了解UMI（Unique Molecular Identifier），它是在单细胞 RNA 测序（scRNA-seq）文库制备过程中添加到每个 RNA 分子的短随机条形码（例如 8-12 个核苷酸）。如果 Cell 1 中的 GeneA = 50 UMI → 则意味着存在大约 50 个 GeneA RNA 分子。
我们可以用表格表示：
归一化 sc.pp.normalize_total
通过将所有细胞缩放到相同的总计数数 (UMI) 来使它们具有可比性。对于每个细胞，归一化因子为：
举例：细胞1的总UMI=250，target=10,000，则Scale factor = 10,000 ÷ 250 = 40，对于其中的每个基因，则有：G1: 200 × 40 = 8,000；G2: 50 × 40 = 2,000；G3: 0 × 40 = 0
Log1p变换 sc.pp.log1p
压缩范围，这样非常高的计数就不会主导分析。
Cell 1举例：G1: log1p(8,000) ≈ 8.99；G2: log1p(2,000) ≈ 7.60；G3: log1p(0) = 0
我们可以直观感受：
现在我们可以了解一下这些值是如何存储在 X 矩阵中的。需要注意的是：
- 0 = 在该细胞中未检测到该基因的 RNA。
- 值越高 = RNA 分子越多（缩放后）。
- 并非原始计数——而是跨细胞表达的可比指标。
验证数据
验证集用于测试扰动 50 个新基因的表现。文件pert_counts.Validation.csv（1 KB，50 行）指明了扰动的50个基因。来看一个示例行：
- target_gene：示例：SH3BP4
- n_cells：2,925
- median_umi_per_cell：54,551
部分内容如下：
| target_gene | n_cells | median_umi_per_cell |
|---|---|---|
| SH3BP4 | 2925 | 54551.0 |
| ZNF581 | 2502 | 53803.5 |
这意味着：预测沉默 SH3BP4 将如何改变 2,925 个虚拟细胞中所有 18,080 个基因，每个细胞的典型总表达量为 54,551。
具体的预测任务
任务是创建一个类似训练数据的矩阵：
- 行：2,925 个虚拟细胞。
- 列：18,080 个基因。
- 数字：表达水平。
以3个细胞和3个基因为例，展示最简单的例子
比如只考虑3个细胞（1-3），3个基因（A-C），假设在细胞1中，沉默 SH3BP4基因 可使基因 A 减少 20%，使基因 B 增加 10%，并保持基因 C 不变。对照总数为 54,551 个UMI：
预测：
- 细胞 1：基因 A = 8,000，基因 B = 22,000，基因 C = 24,551（总计 = 54,551）
- 细胞 2：基因 A = 8,400，基因 B = 20,900，基因 C = 25,042（总计 = 54,342）
- 细胞 3：基因 A = 7,200，基因 B = 24,200，基因 C = 24,060（总计 = 55,460）
计算过程如下，不同细胞中基因的调控机制有些随机偏差：
细胞 1：
基因 A：10,000 × （1 - 0.20） = 8,000
基因 B：20,000 × （1 + 0.10） = 22,000
基因 C：24,551 × （1 + 0.00） = 24,551
总计：8,000 + 22,000 + 24,551 = 54,551
细胞 2（略有变化，例如噪声增加 5%）：
基因 A：8,000 × 1.05 = 8,400
基因 B：22,000 × 0.95 = 20,900
基因 C：24,551 × 1.02 = 25,042
总计：8,400 + 20,900 + 25,042 = 54,342
细胞 3（变化更大，例如噪声减少 10%）：
基因 A：8,000 × 0.90 = 7,200
基因 B：22,000 × 1.10 = 24,200
基因 C：24,551 × 0.98 = 24,060
总计：7,200 + 24,200 + 24,060 = 55,460
然后，生成 2,925 个虚拟细胞的预测，我们检查中位数：
- 列出所有 2,925 个细胞的总数（例如，54,551、54,342、55,460 等）。
- 对它们进行排序并找到中间值（中位数）。假设生成后，中位数为 53,000（假设）。
- 由于 53,000 低于 54,551，因此调整所有值。将每个细胞的表达式乘以 54,551 / 53,000 ≈ 1.03 以放大。
新的调整后总计可能变为：
- 细胞 1：54,551 × 1.03 ≈ 56,187
- 细胞 2：54,342 × 1.03 ≈ 55,972
- 细胞3：55,460 × 1.03 ≈ 57,124
中位数现在应该接近 54,551。