bioRxiv｜利用STATE预测不同背景下的细胞扰动反应

背景：准确预测细胞对遗传或化学扰动的反应是理解生命机制和药物发现的关键，但现有模型因细胞异质性、技术噪声和跨数据集偏差而泛化能力不足。研究目的：提出STATE Transformer模型，通过整合超1亿个扰动细胞和1.67亿个未扰动细胞数据，提升跨细胞类型和实验条件的扰动预测能力。结论：STATE在遗传、化学和信号扰动预测中准确率较基线提升30%以上，显著优于现有模型，并能零样本预测未知环境反应，为个性化医疗提供新工具。