SHERLOCK：用于下游扰动效应结构化表征学习与因果推断的框架

SHERLOCK 是一个用于单细胞扰动分析的可解释深度生成框架，它将扰动效应表示为对潜在基线细胞状态的结构化干预。该框架学习相关且稀疏的扰动表征，能根据共享的转录反应对遗传和药理学扰动进行组织，并可量化不同条件下的扰动反应变化以及组合式建模组合扰动效应。在基因组规模CRISPR、化学和空间扰动数据集上的测试表明，SHERLOCK能够恢复与已知生物通路和药理学特性一致的扰动关系。