摘要
单细胞RNA测序可以捕获细胞在特定时刻的转录组快照，但受实验成本、技术限制，很难完整观测细胞连续发育、药物/基因扰动后的动态变化。传统扰动预测模型（scGen、GEARS、CellOT）大多基于VAE、最优传输、图神经网络，在重建连续中间瞬态细胞状态、建模非线性协同扰动效应上存在短板。Squidiff发表于Nature Methods ，是一套基于DDIM（去噪扩散隐式模型）的单细胞条件扩散生成框架。通过语义编码器提取生物学隐表示，结合扩散模型强大的分布拟合能力，实现细胞分化、基因敲除、药物刺激、物理辐射等多种外界刺激下的转录组预测。文章利用血管类器官BVO作为真实生物验证体系，完成辐射损伤、药物保护效果的虚拟仿真，为虚拟细胞（Virtual Cell）方向提供了新的生成式建模范式。
一、研究背景与问题
单细胞测序能够解析细胞异质性，但湿实验存在显著局限：
- 测序会裂解细胞，只能获得时间点快照，很难采集全部中间过渡瞬态细胞；想要观测连续发育轨迹，需要大量时间梯度样本，成本极高。
- 基因、药物、辐射等扰动组合数量巨大，不可能全部完成湿实验筛选。
- 很多生理/病理场景难以开展体内实验，例如深空宇宙中子辐射对血管细胞的损伤。
现有计算模型存在各自短板：
- scGen：基于VAE隐空间向量偏移，擅长简单扰动，很难建模复杂非线性、非加性的基因协同效应；
- GEARS：利用基因图先验做扰动预测，依赖已知基因互作网络；
- CellOT：基于最优传输OT，有较强分布假设约束，大规模数据集扩展性受限。
扩散模型在图像、蛋白生成领域取得巨大成功，但将扩散模型应用于单细胞扰动响应预测的工作还较少。Squidiff的核心思路：把细胞转录组看作高维数据分布，用条件扩散模型学习细胞在外界刺激下的分布变换，能够生成连续平滑的细胞状态插值，复现发育中间瞬态。
二、Squidiff整体架构
Squidiff属于扩散自编码器（Diffusion Autoencoder） ，主要由语义编码器 Semantic Encoder、前向扩散过程、反向DDIM去噪生成过程三大部分组成。
2.1 前向扩散过程（Forward Diffusion）
原始细胞基因表达为x0(扰动后的基因) ，逐步加入高斯噪声，经过T步之后把真实转录组完全变成标准高斯噪声xT。
βt是噪声调度系数，线性从0.001增长至0.01。 经过推导可以直接得到任意t时刻的带噪样本：
2.2 语义编码器 Zsem（核心创新模块）
传统扩散直接对原始数据做加噪‑去噪；Squidiff增加语义编码器，从原始转录组x0提取生物学有意义的隐向量Zsem。
- Zsem编码细胞类型、发育阶段、扰动条件（药物、基因敲除、辐射）等生物学信息
- 训练时将Zsem作为条件输入给反向去噪网络(类似图片扩散里面的文本条件)
- 推理阶段可以直接对Zsem做向量运算：向量相减得到扰动方向ΔZsem ，向量相加模拟多重扰动。
这是Squidiff实现插值、组合动的关键：
对未扰动细胞隐向量叠加ΔZsem，就模拟施加该扰动。
2.3 反向DDIM去噪生成过程
采用DDIM（去噪扩散隐式模型）而非标准DDPM，在保证生成质量的同时减少采样步数。 去噪网络εθ同时接收：带噪数据xt、扩散时间步t、语义条件Zsem，预测噪声。 εθ(xt,t,Zsem) 通过反向迭代去噪，从纯噪声xT还原得到扰动后/发育后的细胞转录组x0。
2.4 药物适配适配器（针对完全未见新药）
基础Squidiff只能预测训练集中见过的药物。为了处理训练集完全没出现过的新药物，增加适配器模块：输入药物SMILES分子结构，计算rFCFP分子指纹，将分子化学信息融合进语义隐变量Zsem，实现零样本新药扰动预测。
2.5 模型训练损失
训练目标是最小化预测噪声与真实高斯噪声之间的MSE损失：
三、四大验证任务
论文设计4类典型生物学任务，验证Squidiff能力：细胞分化轨迹预测、基因扰动预测、药物响应预测、血管类器官BVO辐射损伤仿真。
任务1：iPSC多能干细胞分化轨迹预测
训练数据仅使用第0天iPSC、第3天定型内胚层细胞；完全不输入第1、2天样本。
- 语义编码器学习得到第0天Zsem^0、第3天Zsem^3；
- 计算分化方向向量ΔZsem=Zsem3-Zsem^0；
- 在隐空间线性插值：Zsem(i)=Zsem^0+αΔZsem，生成第1、2天的细胞转录组。α~(0,1)
结果：Squidiff生成的中间时间点转录组，Marker基因（NANOG、GATA6、TBXT）表达变化与真实实验高度吻合；伪时间分析PAGA、Monocle3验证生成的轨迹连续合理，显著优于scGen基线。
亮点：只给两端时间点，就能还原完整连续分化中间状态，这对很难捕获瞬态过渡细胞的发育系统价值巨大。
任务2：基因扰动（非加性协同扰动）
测试经典K562细胞双基因扰动：ZBTB25与PTPN12双敲除。
- 训练集：对照组、ZBTB25单敲、PTPN12单敲；没有双敲除样本；
- Squidiff将两个单基因扰动的ΔZsem直接相加，模拟双基因扰动，不需要图网络先验知识。
对比GEARS、scGen基线，Squidiff预测的基因表达变化R\^2、皮尔逊相关性更高，错误表达方向的基因占比更低，证明可以捕捉基因之间非加性协同效应。
任务3：药物扰动预测
两种测试场景：
- 见过药物、新细胞类型：训练集只在髓系细胞见过多种药物，预测药物在肿瘤细胞、少突胶质细胞上的响应；模型可以跨细胞类型迁移药物扰动效应。
- 完全未见新药：借助rFCFP药物分子指纹适配器，在sci‑Plex数据集上对训练完全没见过的药物做预测，效果优于基线PR‑Net。
任务4：血管类器官BVO的中子辐射与药物保护仿真（核心生物实验）
人类iPSC诱导的血管类器官BVO，可以模拟体内血管发育，适合深空辐射损伤研究。 实验设置：
- 湿实验：BVO中子辐射处理，部分样本使用G‑CSF辐射保护药物；获取scRNA‑seq作为真值；
- 模型设定：训练时只提供辐射后的内皮细胞数据，完全遮蔽成纤维细胞、壁细胞的辐射样本；
- Squidiff预测辐射之后成纤维、壁细胞转录组变化，同时预测G‑CSF保护药物对各类细胞的效果。
模型预测结果和真实测序高度吻合，成功复现辐射诱导p53通路激活、细胞凋亡、血管发育异常；同时预测G‑CSF可以促进血管生成相关通路，减轻辐射损伤，得到湿实验ELISA、免疫荧光成像佐证。
科学意义：对于深空航天这类很难开展大量体内实验的场景，可以在硅片上模拟物理刺激、药物干预的细胞响应，优先筛选候选保护药物。
四、Squidiff和同类模型横向对比
| 模型 | 范式 | 优势 | 短板 |
|---|---|---|---|
| scGen | VAE+隐空间向量偏移 | 轻量，训练快 | 偏向加性扰动，很难建模复杂非线性协同效应 |
| GEARS | 图神经网络 | 擅长遗传扰动，利用基因网络先验 | 依赖基因互作图，药物扰动泛化有限 |
| CellOT | 最优传输OT | 细胞群体分布映射 | 强数学假设，大数据集内存开销大 |
| Squidiff | 条件DDIM扩散模型 | 1.可生成连续平滑中间瞬态；2.捕捉非加性扰动协同效应；3.支持类器官复杂生理场景仿真；4.向量运算模拟多重扰动 | 1.扩散训练采样迭代，算力消耗大；2.隐空间假设线性插值，复杂生物过程存在近似误差 |
五、局限与未来方向
当前局限
- 扩散模型训练、采样算力开销大，相比VAE类模型更吃GPU显存；
- 隐空间操作依赖线性插值/向量相加假设，高度非线性生物学互作只能近似；
- 适配器模块依靠分子指纹，对完全全新类型扰动的零样本预测仍有上限；
- 当前主要针对转录组，没有直接支持多组学（蛋白、染色质开放）输入。
未来方向
- 优化扩散采样加速技术，降低算力门槛；
- 扩展支持多组学联合生成；
- 结合因果推断，分离混杂因素，进一步提升扰动因果推理；
- 面向虚拟细胞方向，构建端到端的"刺激‑细胞状态‑表型"完整仿真流水线。
六、总结
Squidiff把条件扩散生成模型引入单细胞扰动预测领域 。依靠语义编码器z_{sem}把细胞生物学条件抽象为可运算的隐向量，借助DDIM强大分布生成能力，解决传统模型很难生成连续发育中间瞬态、难以处理非加性协同扰动的痛点。 论文不只是算法工作，还结合人类血管类器官器官芯片做完整干湿实验闭环，模拟中子辐射损伤、药物保护效应，证明生成式AI可以用来做in‑silico虚拟生物筛选。 Squidiff代表虚拟细胞（Virtual Cell）的一条重要技术路线：不再仅仅做拟合已有测序数据，而是生成合理的、从未观测过的细胞状态，辅助假设生成、候选扰动筛选，减少昂贵湿实验的试错成本。