分布漂移是scRNA-seq药物响应预测到临床病毒宏基因组的共同瓶颈
同一个平台和样本来源上训练和测试，模型表现靓丽；换个测序平台、组织类型或临床场景，性能保证就不在了。三篇近期文献从各自的角度把这个问题写进了论文里。
跨域问题的三种形态
说得最直接的是单细胞药物响应预测那篇（PMID: 42809244）。体外细胞系预测体内组织、从原发肿瘤推断转移灶耐药，这些都是临床的现实需求，也是分布漂移（distribution shift）最难处理的几种形态，根源分别是测序平台差异、组织微环境差异和转移演化。原有方法很少正面处理这些场景，CSGDA出发的原因就在这里。
神经退行性疾病的系统综述（PMID: 42826575）里，问题以缺失的形式出现。综述把“缺少跨平台空间转录组基准”列为关键转化障碍之一，不是方法不行，而是没有可比的参照，一个平台上训练出的空间转录组模型换到另一个平台，连退步了多少都无从判断。
病毒宏基因组（PMID: 42809384）的情况从数据层就开始叠加不确定性。高宿主核酸背景、低病毒载量、参考数据库覆盖不全、分析流程没有标准化，几条摞在一起，基础数据质量本就不稳定，对模型泛化性的要求反而更高。这篇综述直接写明了当前AI方法的可解释性和泛化性有限。
CSGDA在五个scRNA-seq数据集上的结果
CSGDA的核心设计是把基因表达映射成功能性细胞状态，用这个生物学先验指导图结构学习，再用图领域适应（graph domain adaptation）配合重叠惩罚机制拉平不同来源数据的分布差距（PMID: 42809244）。在五个scRNA-seq数据集的基准测试里，CSGDA在ACC和AUPR两项指标上均比此前最优方法SSDA4Drug高出约6个百分点，在一个跨转移灶顺铂耐药数据集上还用integrated gradients定位了关键耐药基因。
跨转移灶是这类问题里相对严苛的测试之一，通过了说明方法有一定适应性。但体外到体内的泛化性，文章里没有直接数据，这一段距离是从方法到临床部署之间最需要填补的。
神经退行性疾病AI模型的AUC离散
这组数字来自按PRISMA 2020从1058条记录里筛出的19个核心实证研究（PMID: 42826575）。AUC 0.72到0.98，差距悬殊，首先说明各研究的任务定义、数据来源和验证方式很不统一。这篇综述综合的是各研究自己报告的主要结论，不是统一的内部重新分析，所以这个区间更多反映“领域内什么都有”，而不是某类方法有稳定保证。
深度架构在空间转录组上做了一些有意思的事。STAGATE和SpaGCN成功定位了淀粉样斑块周围的疾病相关小胶质细胞（disease-associated microglia，DAM），cell2location追踪了轴突退化路径。但综述同时点名了三个仍未解决的短板，罕见NDD亚型的数据稀缺是客观限制，跨平台空间基准的缺失让方法间的比较没有共同语言，深度神经网络的黑盒性质则既是可解释性问题也是外推问题，新患者、新平台上的失败模式不透明，外推无从判断。整合可解释AI（XAI）和前瞻性多模态队列是综述给出的方向，截至论文发表都没有落地。
病毒宏基因组临床转化的四道系统障碍
病毒宏基因组的综述（PMID: 42809384）另外点出了临床验证、结果重现性、伦理合规和数据安全四类转化障碍。这四条不是改进AI算法能解决的，是整个数据-系统-监管链条的问题，方法层做得再好也绕不开它们。
这三篇文献在技术层、数据层、系统层各说了一件事，共同指向同一个空白，测评框架和真实部署场景之间有距离。看到AUC高的数字时，先问验证数据从哪里来、换到自己的平台和场景还能剩多少，比讨论架构选型更实用。
- AI-driven transcriptomics for neurodegenerative disease research: A systematic review.，Computational biology and chemistry（PMID: 42826575）
- CSGDA: A Cell State-Guided Graph Domain Adaptation Network for Single-Cell Drug Response Prediction.，Bioinformatics (Oxford, England)（PMID: 42809244）
- AI-Empowered Viral Metagenomics for Clinical Diagnosis: Advances, Bottlenecks, and Translational Pathways.，Journal of applied microbiology（PMID: 42809384）