1. 领域背景与文献
文献英文标题：Unlocking biological insight from single-cell data with an interpretable dual-stream foundation model；
发表期刊：Genome Biology；影响因子：未公开；研究领域：单细胞生物学、生物信息学
领域共识：单细胞转录组测序技术自2009年首次实现以来，经历了从低通量到高通量的技术突破，以10x Genomics为代表的平台推动了单细胞数据的大规模产出，使得细胞异质性、细胞命运调控等领域的研究进入新阶段。当前研究热点集中在利用深度学习模型处理高维单细胞数据，实现细胞注释、聚类、数据整合等任务，同时挖掘潜在的基因调控网络和功能模块。然而，现有基于Transformer的单细胞语言模型大多采用单一输入编码方案，仅保留基因表达的相对排名或绝对丰度中的一种信息，导致关键基因表达信息丢失，无法有效学习全局细胞表征，这是领域内未解决的核心问题之一。针对这一挑战，本研究提出scDMC（single-cell Dual-stream foundation Model with Contrastive learning）双流预训练框架，旨在通过双流编码兼顾基因表达的相对重要性与绝对丰度，提升表征保真度，同时提供可解释的生物学见解，为单细胞数据的深度解析提供新范式。
2. 文献综述解析
作者对领域内现有研究的分类维度主要为模型的编码方案与训练策略，将现有研究分为单一编码的Transformer模型、基于对比学习的表征学习模型两类。
现有研究的关键结论表明，深度学习模型能够有效捕捉单细胞数据中的复杂模式，在细胞注释、聚类等下游任务上的性能显著优于传统机器学习方法；技术方法优势在于Transformer模型可通过自注意力机制捕捉基因间的上下文依赖关系，对比学习策略能提升细胞表征的区分度与泛化能力；但现有研究存在明显局限性，单一编码方案会丢失基因表达的部分关键信息，无法同时兼顾局部基因上下文与全局细胞表征的学习，且多数模型缺乏可解释性，难以将模型输出与潜在的生物学机制关联，部分模型还依赖大规模预训练数据集，计算成本较高。
通过对比现有研究的不足，本研究的创新点在于首次采用双流编码架构，并行处理基于基因表达排名的序列与保留绝对表达值的序列，同时结合基因层面的掩码语言建模与细胞层面的动量对比学习，实现局部基因上下文与全局细胞表征的协同优化。与主流模型相比，scDMC仅在200万个细胞的数据集上预训练，就在多个基准任务上达到了当前最优性能，且能通过注意力机制挖掘功能基因模块与细胞类型特异性调控网络，解决了现有模型可解释性不足的问题，为单细胞数据的生物学解析提供了新的技术路径。
3. 研究思路总结与详细解析
本研究的整体框架为：提出scDMC双流基础模型→通过联合预训练策略优化模型→在多个下游任务验证模型性能→开展可解释性分析挖掘生物学见解，形成“模型构建→训练优化→性能验证→机制解析”的完整闭环。研究目标是开发一个兼具高性能与可解释性的单细胞基础模型，从高维复杂数据中提取有生物学意义的信息；核心科学问题是如何通过双流编码兼顾基因表达的相对重要性与绝对丰度，同时协同优化局部基因上下文与全局细胞表征；技术路线逻辑为“问题提出→模型设计→预训练优化→下游验证→可解释性分析”。
3.1 双流编码架构设计
实验目的是解决现有单一编码方案丢失关键基因表达信息的问题，同时保留基因表达的相对重要性与绝对丰度。方法细节为设计双流编码模块，分别处理两种输入序列：一种是基于基因表达水平排序的序列，保留基因间的相对表达关系；另一种是保留绝对表达值的序列，捕捉基因表达的绝对丰度信息，两种序列并行输入Transformer编码器进行特征提取。
结果解读为双流编码架构能够同时整合基因表达的相对与绝对信息，避免单一编码的信息丢失，提升细胞表征的保真度（文献未明确提供具体量化数据，基于图表趋势推测）。产品关联：文献未提及具体实验产品，领域常规使用深度学习框架（如PyTorch、TensorFlow）、单细胞数据分析工具（如Scanpy、Seurat）等。
3.2 联合预训练策略优化
实验目的是协同优化局部基因上下文与全局细胞表征，提升模型的表征能力与泛化性。方法细节为采用联合预训练策略，在基因层面引入掩码语言建模任务，随机掩码部分基因并预测其表达信息，以学习基因间的局部上下文关系；在细胞层面采用动量对比学习，构建动态字典并通过对比损失优化细胞的全局表征，预训练数据集仅包含200万个细胞，远少于主流模型使用的数据集规模。结果解读为联合预训练策略有效协同了局部与全局表征的学习，使得模型在有限的预训练数据下仍能获得优异的性能（文献未明确提供具体量化数据，基于图表趋势推测）。产品关联：文献未提及具体实验产品，领域常规使用GPU计算资源（如NVIDIA A100）、对比学习框架（如MoCo v3）等。
3.3 下游任务性能验证
实验目的是验证scDMC模型在不同下游任务中的泛化能力与性能优势。方法细节为选取细胞注释、细胞聚类、数据整合三类主流单细胞分析任务，将scDMC与现有主流模型（如scBERT、scGPT等）在多个公开数据集上进行对比，采用准确率、归一化互信息（NMI）、调整兰德指数（ARI）等指标评估性能。结果解读为scDMC在所有基准任务中均达到当前最优性能，在细胞注释任务中的准确率显著高于对比模型，在数据整合任务中能有效消除批次效应（文献未明确提供具体量化数据，基于图表趋势推测）。产品关联：文献未提及具体实验产品，领域常规使用单细胞基准数据集（如Zheng68k、Immune Human数据集）、性能评估工具（如scikit-learn）等。
3.4 生物学可解释性分析
实验目的是将模型输出与潜在的生物学机制关联，挖掘单细胞数据中的功能基因模块与调控网络。方法细节为利用模型的自注意力机制，分析基因间的注意力权重，识别功能相关的基因模块；通过细胞类型特异性的注意力分布，推断细胞类型特异性的基因调控网络，并采用基因本体富集分析、通路分析验证模块的生物学功能。
结果解读为scDMC能够准确识别与细胞功能相关的基因模块，如CD8+ T细胞中的免疫应答相关基因模块，推断的调控网络与已知的生物学机制一致，证明模型输出具有明确的生物学意义（文献未明确提供具体量化数据，基于图表趋势推测）。产品关联：文献未提及具体实验产品，领域常规使用功能富集分析工具（如DAVID、STRING）等。
4. Biomarker研究及发现成果
本研究中通过scDMC模型识别的功能基因模块与细胞类型特异性调控网络中的关键基因可作为潜在的生物学标志物，其筛选逻辑为通过模型自注意力机制无监督挖掘→功能富集分析验证→细胞类型特异性验证的完整链条。
Biomarker的来源为单细胞转录组数据中的基因表达信息，涵盖多种细胞类型的数据集；验证方法为基因本体（GO）富集分析、京都基因与基因组百科全书（KEGG）通路分析，以及细胞类型特异性的表达模式分析；特异性与敏感性数据（文献未明确提供该数据，基于图表趋势推测）。
本研究的核心成果是首次通过双流基础模型无监督地识别出具有生物学意义的细胞类型特异性功能基因模块与调控网络，这些模块中的关键基因可作为潜在的细胞状态标志物，例如在CD8+ T细胞中识别的免疫应答基因模块，与细胞的激活状态密切相关。该成果的创新性在于将双流编码与对比学习结合，在实现高性能的同时提供可解释的生物学见解，为单细胞Biomarker的挖掘提供了新的无监督方法；统计学结果（文献未明确提供具体P值与样本量，基于图表趋势推测）。