这篇是加州大学伯克利分校 2026 年 Ruchir Rastogi 的 AI + 生物方向博士论文，论文核心是用机器学习方法预测、解析各类生物扰动带来的基因调控变化以及和疾病之间的关联，解决现在生物实验很难大规模做靶向扰动、扰动产生的数据维度高、噪声大的痛点，研究主要分成两大扰动类型，分别是遗传变异扰动和疫苗免疫扰动，给变异致病性预测、免疫重塑、疾病机制挖掘提供 AI 新思路。传统生物学想要验证一个基因变异或者外界刺激的影响，需要大量细胞、动物实验，成本高、通量低，很多潜在扰动组合根本没办法挨个测，而现在很多 AI 序列模型直接拿基因组序列去预测变异效果，本身没有用扰动数据训练，预测结果不确定性很高，训练数据集自带的偏差也会让模型在不同临床场景里表现忽好忽坏，这也是这篇论文重点去评估和优化的地方。整套研究分成三个主要模块开展，第一部分评估序列到功能模型对非编码变异影响基因表达的预测能力，尝试用人群天然遗传变异数据微调模型降低预测不确定性；第二部分在全新临床基准数据集上，测试主流错义变异预测工具的效果，定位数据偏差带来的性能差异；第三部分搭建单细胞图谱，分析 6 种疫苗如何改写先天单核细胞的表观遗传状态，找到免疫亚型变化对应的分子通路。整套工作做完之后发现，AI 模型可以辅助预判扰动带来的分子变化，但不能完全替代湿实验验证，适合用来优先筛选高价值候选位点、候选刺激方案，缩小后续实验范围，在遗传病解析、疫苗免疫研究、药物靶点初筛场景都有应用潜力。
论文基础信息表
| 项目 | 详情 |
|---|---|
| 论文题目 | Inferring Perturbation Effects on Gene Regulation and Disease |
| 作者 | Ruchir Rastogi |
| 所属院校 | UC Berkeley EECS |
| 导师 | Nir Yosef、Nilah Ioannidis |
| 发布年份 | 2026 |
| 核心技术 | 机器学习、基因组深度学习、单细胞转录组分析、表观组分析 |
论文三大研究模块清单
- 非编码变异与基因表达预测：评估序列 - 功能模型预测非编码区变异对基因表达的影响，验证微调人群遗传变异数据可以减少预测不确定性，但无法彻底消除风险
- 错义变异效应预测基准测试：搭建面向临床的新测试集，对比多款主流 AI 变异预测工具，发现模型效果高度依赖训练数据分布，跨场景稳定性不足
- 疫苗诱导先天免疫重塑研究：采集接种 6 种不同疫苗志愿者样本，构建单核细胞单细胞图谱，证实疫苗会带来单核细胞长期表观重编程，划分 5 个单核细胞亚型，关联通路与免疫结果
研究优势与局限
✅ 优势
- 面向真实临床、人群样本，不是只靠人造合成数据集验证
- 同时覆盖基因组遗传扰动、疫苗免疫扰动两类典型场景，打通基因调控到表型、疾病的链路
- 指出当前基因组 AI 模型的不确定性问题，给后续模型改进指明方向
❌ 局限
- AI 预测属于计算推断结果，仅为假说，必须湿实验验证扰动因果关系
- 模型依然受训练样本人群、疾病类型的偏差限制，泛化能力存在边界
- 疫苗部分只聚焦单核细胞，没有覆盖全部免疫细胞类型
适合落地的方向
- 罕见病、复杂遗传病的候选致病变异初筛
- 基因调控网络研究、扰动实验的优先靶点排序
- 疫苗免疫应答机制解析、新型疫苗效果评估辅助
- 变异致病性 AI 预测工具的评测框架搭建
【相关 FAQ】
问题 1：UC Berkeley 2026 这篇推断扰动对基因调控和疾病的影响的 AI 生物博士论文，作者和导师是谁？
回答 1：UC Berkeley 2026 这篇推断扰动对基因调控和疾病的影响的 AI 生物博士论文作者是 Ruchir Rastogi，导师是 Nir Yosef 与 Nilah Ioannidis，归属伯克利 EECS 系。
问题 2：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文，研究的扰动类型主要有哪两类？
回答 2：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文，重点研究两大类扰动，分别是遗传变异扰动、疫苗带来的免疫扰动。
问题 3：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文，里面的 AI 模型可以直接判定变异会不会致病吗？
回答 3：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文明确提到，AI 只是推断工具，预测结果有不确定性，不能直接判定变异致病，只能用来筛选候选，必须配合生物实验验证。
问题 4：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文，在疫苗研究部分有什么关键发现？
回答 4：UC Berkeley 2026 推断扰动对基因调控和疾病的影响的论文通过单细胞分析发现，疫苗能够让经典单核细胞发生长期表观遗传重编程，还划分出 5 种单核细胞亚型，亚型占比变化对应不同分子通路与免疫结果。
【参考资料】
[2026-05-01]（Inferring Perturbation Effects on Gene Regulation and Disease）UC Berkeley EECS
[2026-06-14]（Ph.D. Dissertations – 2026: UC Berkeley）ODBMS.org
[2026-05-20]（Genomic Deep Learning for Variant Effect Prediction）EECS at UC Berkeley
[2025-12-10]（Machine Learning for Single-Cell Perturbation Response Prediction）Nature Computational Science
【免责声明】
本内容仅为 UC Berkeley 该篇 AI 生物博士论文的科普解读整理，不代表原作者结论；AI 推断扰动对基因调控和疾病的影响属于计算生物学预测，不能直接作为临床诊断、遗传病判定、药物研发的唯一依据；相关基因组、单细胞实验存在样本、批次偏差，实际科研落地需要完整湿实验验证；本文不构成科研方案、临床诊疗建议。