Genome Biology | scKAN：连接单细胞数据分析与药物发现的可解释架构，Qwen3-Coder 实战：从 0 到 1 开发商业级 API 平台，过程开源！。

Genome Biology | scKAN：连接单细胞数据分析与药物发现的可解释架构

背景与挑战

单细胞RNA测序（scRNA-seq）技术革新了生物医学研究，但如何从海量单细胞数据中提取可解释的生物标志物并链接到药物发现仍面临挑战。传统方法依赖黑箱模型，缺乏对基因调控网络（GRN）和药物靶点的透明化解析。scKAN（单细胞知识增强注意力网络）通过结合知识图谱与注意力机制，构建了可解释的跨模态分析框架。

核心架构设计

知识增强模块
整合公共数据库（如KEGG、Reactome）的先验知识，构建基因-通路-药物的多层知识图谱。通过图神经网络（GNN）编码拓扑关系，生成生物实体嵌入。

注意力驱动的可解释性
采用多头注意力机制量化细胞簇中基因-通路关联权重，输出关键调控路径的可视化热图。例如，在癌症微环境分析中，scKAN可识别TNF-α/NF-κB通路在免疫逃逸中的贡献度。

跨模态药物预测
基于细胞状态特异性GRN，通过迁移学习匹配DrugBank中的化合物-靶点数据。实验显示，scKAN在乳腺癌数据集上预测的EGFR抑制剂敏感性AUC达0.89，显著优于传统方法。

技术优势验证

• 可解释性：在阿尔茨海默症数据集上，scKAN成功还原APOE4与炎症反应的已知关联，同时发现SORL1的新调控作用。
• 计算效率：支持百万级细胞的并行分析，较SCENIC提速5倍。
• 药物发现：通过虚拟筛选鉴定了3个针对罕见病Fibrodysplasia Ossificans Progressiva的潜在小分子。

应用场景示例

肿瘤异质性研究
在结直肠癌单细胞数据中，scKAN识别出Wnt/β-catenin通路活化的干细胞样亚群，并推荐Porcupine抑制剂LGK974作为优先候选药物。

自身免疫疾病
分析红斑狼疮患者外周血单细胞数据，发现IFN-γ/JAK-STAT通路过度激活的B细胞亚型，指导JAK抑制剂baricitinib的个性化用药。

未来方向

• 扩展多组学整合能力（如ATAC-seq、蛋白质组）
• 开发交互式可视化工具链
• 建立FDA已批准药物的重定位预测模块

该架构已开源（GitHub: scKAN-project），相关论文发表于《Genome Biology》2024年第15卷。其设计范式为从单细胞数据到临床转化的闭环研究提供了新思路。