Nat. Methods | 利用最优传输学习单细胞扰动响应-CellOT

论文背景

本文由来自ETH Zurich、University of Zurich、Swiss Institute of Bioinformatics 以及 Cancer Research Center Cologne–Essen的研究者合作研究，于2023年在 Nature Methods 期刊发表。

利用最优传输学习单细胞扰动响应-CellOT

论文创新点

该论文的创新点在于提出了一个叫 CellOT 的新框架，通过结合最优传输理论和输入凸神经网络，来解决单细胞数据在没有配对的情况下的映射问题。本质上，CellOT 能够在没有原始配对数据的情况下，学习细胞从未处理状态到处理后状态的变化，从而预测细胞对新扰动的响应。与现有的自编码器工具相比，CellOT 更好地捕捉到了不同细胞状态的复杂分布特征，使得它在单细胞水平上预测扰动响应的准确性更高。

详解

研究背景

单细胞扰动响应预测可以揭示细胞对药物或环境变化的反应机制，但由于测量的局限性，难以获得相同细胞在扰动前后的配对数据。最优传输提供了一种数学工具，可以在这种的条件下建立细胞状态的映射关系。

模型构建

CellOT 模型使用一种叫输入凸神经网络的技术，通过最优传输的数学方法来描述细胞状态的转变过程。这个设计一方面保持了模型的稳定性，另一方面能精确地在未处理的细胞和经过扰动的细胞之间建立联系，从而更好地捕捉到细胞在不同条件下的多样化响应特点。

具体地，可以将未处理状态到扰动状态的变化看作高维细胞状态空间中的演化过程，而CellOT就尝试建立这个演化过程前后的映射关系。最优传输理论提供了一种数学方法来找到最优的映射，即两个状态之间转换的最优路径。

那么为了有效地学习这个最优传输映射 T ，作者使用了 Knott 等人和 Brenier 提出的“原始-对偶形式”，并通过输入凸神经网络来参数化最优传输的对偶变量。其中作者参考了 Makkuva 等人的方法，利用两个对偶函数 g 和 f 来近似原始问题中的凸共轭函数。这样就将原始的最小化问题转化为两个凸函数的最大-最小优化问题，然后利用输入凸神经网络来参数化后来计算最优传输映射。

研究结果

实验表明，CellOT 在多种单细胞数据集上表现优于现有方法，包括癌症药物响应预测、不同患者的免疫响应预测和跨物种的免疫响应建模。CellOT 在捕捉不同细胞类型的个性化响应方面表现出色，能更细致地描述细胞间的差异和扰动响应。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】