理解和预测单个细胞对化学、遗传或机械扰动的分子反应是生物学的核心问题。获得单细胞测量通常需要破坏细胞。这使得学习异质扰动响应具有挑战性，因为只观察到扰动或非扰动细胞的不成对分布。鉴于此，来自苏黎世联邦理工学院计算机科学系的Gunnar Rätsch和Andreas Krause等人通过利用最优传输理论和最近出现的输入凸神经结构提出了CellOT。

文章要点：

1) 该研究开发的CellOT是一个通过映射这些不成对分布来学习单个细胞对给定扰动的响应的框架，CellOT在预测单细胞药物反应方面优于目前的方法，如scRNA-seq和多重蛋白质成像技术；

2) 此外，该研究通过（1）预测暴露于干扰素-β的狼疮顽固患者和胶质母细胞瘤患者对帕诺司他的scRNA-seq反应； 2） 推断不同物种的脂多糖反应；以及（3）对不同亚群的造血发育轨迹进行建模等多种方式，来证实了CellOT在未知环境中也能很好地拓展应用。

参考资料：

Bunne, C., Stark, S.G., Gut, G. et al. Learning single-cell perturbation responses using neural optimal transport. Nat Methods (2023).

10.1038/s41592-023-01969-x

https://doi.org/10.1038/s41592-023-01969-x