单细胞算法边界与售前准入培训 · 第 2 篇 / 共 3 篇
客户问“能不能做虚拟敲除”，前端需要把问题说完整：在哪一类细胞、用什么基因、基于什么输入和算法、希望支持什么结论？这些条件决定分析是否值得做，而不是看到有单细胞数据就默认推荐。
“三虚拟”不是统一的算法标准。本篇按具体方法举例：scTenifoldKnk虚拟敲除、CellOracle转录因子扰动，以及不同类型的药物候选筛选。实际服务名称应对应明确的方法清单。
一、先校正一个容易传错的说法：物种限制在哪里？
scTenifoldKnk的原始方法不是“只支持人和小鼠”。原论文明确说明其方法不依赖特定物种，输入是目标细胞的表达矩阵；这不表示任意物种、任意质量的数据都能获得可靠结论。[1]
售前要分开核对三层条件：第一，算法本身需要什么；第二，基因ID、功能注释和配套数据库是否支持该物种；第三，我们实际部署的版本或封装服务支持哪些输入。若限制来自本公司的实现，应说“当前这套服务支持范围是……”，不要改写成算法的普遍限制。
二、scTenifoldKnk：看懂前提，才能讲清价值
| 前提或问题 | 该怎样判断 | 条件不足时怎么办 |
|---|---|---|
| 输入是什么？ | 以未针对目标基因进行真实敲除的基线表达数据建网。这里的基线不等于必须是健康人；要明确所模拟的细胞背景。 | 确认原始计数及预处理是否符合所用版本要求。不能把任意scale矩阵直接当原始计数输入。 |
| 看总细胞数，还是目标细胞数？ | 优先在明确细胞类型或状态内建网，避免主要反映细胞类型混合差异。 | 列出目标细胞的质控后数量与样本来源；不要为凑数量把无关细胞类型混在一起。 |
| 目标基因能否敲？ | 目标基因应被可靠检测，并保留在最终网络中；低覆盖时很难估计其关系。 | 检查ID、表达比例、计数与过滤原因。真没有足够信号时，换数据、换候选或暂停；不能人为补表达。 |
| 预测意味着什么？ | 输出主要是网络扰动后的受影响基因与功能候选，帮助选择实验优先级。 | 把交付写成候选清单、网络证据及稳定性说明，不直接承诺真实敲除的表达幅度或表型。 |
| 能否顺便做虚拟过表达？ | 经典scTenifoldKnk针对敲除；原论文把不能直接预测过表达列为限制。 | 不能把敲除结果反号当过表达。若需过表达，另核对方法、模型与训练或先验条件。 |
上述输入与设计依据原论文及当前官方函数文档。它也可能更容易识别网络中调控作用突出的基因；结构性基因得分不突出，不等于该基因没有生物学功能。[1][3]
三、“500个细胞”到底属于哪一种数字？
当前官方仓库说明，默认nc_nCells=500表示每次建网抽取的细胞数；同时建议按单一细胞类型或状态建网，约500个细胞或更多。抽样参数、作者实践建议和项目可靠性，是三个层次。这些信息核对于2026年11月5日，正式分析须记录具体版本。[2]
不能把它简化成“499绝对不行、500一定可靠”，也不能因为调小参数能跑，就宣称低数量亚群同样可靠。还要看检测深度、状态混合、目标基因信号、个体构成与重复抽样后的稳定性。这里关注的是用于建网的目标细胞，不是整个对象的细胞总数。
前端可以把不足情况交给分析老师做小范围可行性评估：查看保留基因和细胞、比较不同随机种子或合理抽样设置、核对已知基因与外部结果。若排序变化很大，应缩小解释范围或停止推进；重复抽样只能检查计算稳定性，不能替代生物学重复。[2]
四、其他“虚拟方法”，前提并不一样
| 方法示例 | 需要先确认什么 | 常见误区与处理 |
|---|---|---|
| CellOracle：转录因子扰动 | 需要预处理表达数据，以及匹配物种和细胞背景的基础调控网络、motif等资源；官方提供部分预建网络，也支持自建。 | 不能说“必须有自己的ATAC才能做”，也不能说“随便换基因名即可支持任意物种”。先核对支持资源、目标是否适合转录因子扰动，以及细胞状态覆盖。 |
| CMap/LINCS：表达签名匹配 | 需要定义清楚、方向可信的上调和下调表达签名，并核对参考扰动的细胞系、剂量、时间及覆盖。 | 1v1产生的差异签名可能混有个体效应。先评估签名稳健性，结果只作为候选扰动或药物线索，不能承诺临床疗效。 |
| 结构虚拟筛选：以AutoDock Vina为例 | 需要可靠的靶蛋白结构、候选分子、准备好的受体/配体和合理搜索区域。 | 单细胞矩阵本身不是完整对接输入。先补齐结构与筛选设计；对接评分不能直接当作实测结合强度或药效。 |
CellOracle、CMap和对接分别依赖网络先验、表达扰动参考和分子结构，不能把某一方法的物种或细胞数条件套到所有“虚拟技术”上。[4][5][6][7][8]
五、前端推荐前，必须拿到的5项信息
1. 具体算法与版本，不能只写“AI预测”或“三虚拟”。
2. 物种、基因ID、目标细胞及各样本的有效细胞数。
3. 目标基因、基线背景或药物筛选目标是什么。
4. 需要的参考数据库、网络、签名或结构是否齐备。
5. 客户接受什么交付边界，能做哪些后续验证。
“这类分析的价值是帮助您优先选择值得验证的基因或分子。我们先核对目标细胞、基因信号和参考资源，再判断适合哪种方法。可以交付候选、依据和稳定性检查，但预测结果不能代替真实敲除、功能或药效实验。”
资料依据
官方参数与接口可能更新；实际承接时需核对采用版本。文中的项目分级和处理顺序为沟通建议。
- scTenifoldKnk 原始论文：设计、物种与局限
- scTenifoldKnk 官方仓库：当前参数建议与局限
- scTenifoldKnk 官方函数输入与参数
- CellOracle 官方教程：输入、基础网络与扰动
- CellOracle 官方支持物种与参考基因组
- Broad Institute：Connectivity Map 的用途
- CLUE：扰动数据的细胞系、剂量与覆盖
- AutoDock Vina：受体、配体与对接准备
如需判断现有数据适合哪些分析，可先向云生信提供研究问题、物种、样本分组与目标细胞的数据概况。
