AROMA：多模态增强推理实现虚拟细胞基因扰动精准预测

AROMA是针对虚拟细胞基因扰动预测的多模态增强推理框架，整合文本证据、图拓扑信息和蛋白质序列特征，通过知识预训练与任务微调的两阶段优化策略，实现准确且可解释的预测。该模型在零样本和长尾场景下表现稳健，对药物发现、疾病机制研究等生物医学领域具有重要意义。

虚拟细胞是计算生物学核心目标，通过计算模型模拟细胞分子状态与行为，基因扰动建模是其关键应用（如药物靶点发现、疾病机制研究、合成生物学设计、精准医疗等）。现有方法存在三大瓶颈：无约束推理违背生物规律、预测不可解释、检索信号与调控拓扑弱对齐。

AROMA核心设计理念为整合多源异构知识实现显式推理，处理三类信息：文本证据（科学文献、数据库描述等）、图拓扑信息（基因调控网络、蛋白质相互作用网络等）、蛋白质序列特征。模型架构包含文本编码器（BioBERT/PubMedBERT）、图神经网络、序列编码器（ESM）、跨模态融合模块及推理模块。训练采用两阶段策略：知识预训练（大规模知识图谱与文献数据）+任务微调（具体基因扰动数据集，引入可解释性约束）。

研究团队贡献两大数据资源：1. PerturbReason数据集（超49.8万样本，含扰动信息、上下文、效应描述、推理链及证据来源）；2. 知识图谱（基因调控图谱：编码基因调控关系、转录因子-靶基因关联等；功能注释图谱：整合GO注释、KEGG通路等）。

AROMA经多维度验证：多细胞线（癌细胞系如HeLa/A549、正常细胞系如HEK293/HepG2、干细胞系）性能超越现有方法；零样本泛化（未见过的细胞系）表现稳健；长尾场景（罕见基因、稀疏知识）竞争力强；可解释性评估（生物学合理性、证据支持、完整性）获高分。

AROMA相比现有方法优势显著：多模态知识整合更全面；显式推理生成可解释链增强可信度；证据与调控拓扑强对齐；泛化能力（未见过基因/细胞类型）；数据效率（稀疏知识场景表现好）。

应用前景包括药物发现（预测药物效应、筛选靶点）、疾病研究（模拟突变影响）、合成生物学（优化基因回路）、个性化医疗（预测治疗响应）。局限：单细胞分辨率不足、动态过程建模有限、缺乏空间信息、因果推断需验证。未来方向：整合单细胞RNA测序、引入时间维度、结合空间转录组、开发因果验证框架。

AROMA代表虚拟细胞建模重要进展，证明知识驱动多模态建模与显式推理结合可兼顾准确性与可解释性。模型权重和代码已开源，期待推动虚拟细胞技术从研究走向应用，助力生命理解、疾病治疗与生物系统设计。