📄 Quick Note¶

摘要概述¶

本篇是发表在 Nature Computational Science 上的研究亮点（research highlight），由 Ananya Rastogi 撰写，介绍了 Sander 课题组提出的 CellBox 框架（原始论文发表于 Cell Systems 12, 128–140, 2021）。CellBox 是一个面向癌症药物扰动响应预测的深度学习框架，其核心创新在于用一组常微分方程（ODE）显式表示细胞动力学与蛋白互作网络，从而使模型具备可解释性，避免传统深度学习的"黑箱"问题。ODE 网络参数随机初始化后通过最小化实验与模拟数据之间损失函数进行训练，可在缺乏充分先验知识的数据驱动场景下应用。作者在黑色素瘤细胞系的扰动数据集上，采用随机划分、单药→联合用药、留一药物交叉验证等多种场景验证，CellBox 均能准确预测细胞响应，且所重建的生物通路与文献实验结果一致。该工作为在可解释框架下建模细胞对药物扰动的响应提供了新范式，有望指导癌症联合用药策略的设计。

关键图表¶

本文为研究亮点短文，未包含独立图表；CellBox 原始论文中的 ODE 网络结构、训练流程与通路重建结果待精读时补充。

与我的关联¶

CellBox 将 ODE 显式嵌入神经网络以获得可解释性的思路，与我在血管生长与重塑（vascular G&R）中用 ODE/连续介质模型描述细胞动力学的方法论相通，可作为"机理模型可微化 + 数据驱动参数辨识"的参考范式。其对扰动响应的可解释预测，也可启发在动脉粥样硬化背景下建模细胞信号通路对干预（药物/力学扰动）的响应。