MapPFN: 通过上下文学习因果扰动图谱

MapPFN 是一种基于先验数据拟合网络（PFN）的模型，通过在合成生物先验上预训练并结合真实单细胞数据微调，提升跨生物上下文的扰动预测性能。 该模型利用上下文学习将实验序列映射至扰动后分布，使单一预训练模型能适配新数据集和基因集，实现了预训练与有限湿实验数据的解耦。 代码、模型及数据已开源。