深度解读全球虚拟细胞路线图：AI大模型重塑生命科学

type

status

date

slug

summary

单细胞数据的“语言化”：如何将细胞写成一句话？

在自然语言处理领域，openai的chatGPT或Anthropic的claude之所以强大，是因为它们能理解文本的Token（标记）。同样，决定单细胞基础模型性能的第一步，不是底层架构，而是如何将一个复杂的细胞“写成一句话”。

目前，研究人员探索了四种主要的“细胞语言化”方法： * 分箱离散化（如scGPT）：将表达量分箱成离散标记。这种方法抗噪能力强，但会损失一定的分辨率。 * 连续数值法（如scFoundation、CellFM）：直接使用连续数值，精确度高，但对测序深度和实验平台极为敏感。 * 排序法（如Geneformer）：放弃绝对数值，仅按表达量高低对基因进行排序。这种方法稳健性极高，但牺牲了绝对表达量信息。 * 压缩码本法（如CellTok）：利用码本将整个细胞压缩成几个隐标记，大幅节省算力，但丢失了基因层面的可解释性。

此外，为了让模型更好地理解生物学背景，研究者还引入了“加先验”的策略，例如使用蛋白质语言模型的嵌入来初始化基因表示，甚至直接将文献中的基因描述文本作为嵌入。这就像是在给模型输入提示词（Prompt），让模型在预训练之初就具备了丰富的背景知识。

架构与规模：多样性比纯粹的算力堆砌更重要

在模型骨架方面，目前单细胞模型依然以Transformer为主导，并辅以FlashAttention等加速手段。然而，面对动辄上万个基因的长序列，为了降低计算复杂度，Hyena长卷积、Mamba状态空间模型、图神经网络（GNN）和扩散模型等替代路线也开始崭露头角。

在探讨LLM（大型语言模型）时，我们常提到Scaling Law（缩放定律）。但在单细胞领域，Scaling的证据却是混合的。虽然部分模型报告了随规模增长的收益，但零样本评测显示，更大的预训练数据未必能带来更好的生物学表现。例如，CellFM的8亿参数版本在微调后表现强劲，但在部分零样本注释任务上，反而是小版本更胜一筹。

综述给出了一个关键判断：在单细胞领域，语料的“多样性”远比“体量”更重要。Geneformer两代模型的最大增益，均来自于扩大预训练语料覆盖的生物学背景，而不是在同类样本里盲目堆砌数量。这为未来的数据采集指明了方向。

从观察到干预：扰动图谱与因果推断的崛起

数据侧的重心正在发生显著转移：从传统的观察性图谱，全面转向“扰动图谱”。

例如，Tahoe-100M提供了1亿个细胞的小分子响应数据；X-Atlas等项目覆盖了全基因组CRISPRi的扰动测序；人类细胞因子字典则记录了90种细胞因子刺激下的近千万个免疫细胞状态。

这种转变的原因非常直接：仅仅观察静态的快照数据，模型只能学到基因间的“相关性”；只有引入干预数据，模型才能真正理解生物系统中的“因果关系”。这种从相关向因果的跨越，正是迈向生物学AGI（通用人工智能）的必经之路。

湿实验室的实战与当前的局限性

令人振奋的是，这些虚拟细胞模型已经开始走进“湿实验室”，并取得了实质性成果： * Geneformer准确预测了TEAD4敲除对心肌微组织收缩功能的损伤，并发现了挽救突变型心肌病的靶点。 * MaxToki在人类衰老轨迹上找出的心脏促衰老因子，在小鼠体内得到了验证。 * C2S-Scale成功提名了特定的抗原呈递增强剂，并通过了实验确认。

然而，综述也直白地指出了当前模型的局限性。在扰动效应预测上，现有基础模型甚至无法稳定超越简单的线性基线；在跨组织、跨物种或罕见细胞类型上的泛化能力依然较弱。此外，单细胞计数矩阵在常规预处理后，仍可能泄露个体的私有属性，这为未来的临床应用带来了隐私挑战。

未来展望：细胞世界模型与AI智能体的闭环

展望未来，单细胞基础模型的演进方向令人充满遐想： 1. 细胞世界模型：将模型从静态的编码器，改造成能够预测细胞状态随时间演化的动态“世界模型”。 2. AI智能体闭环：将基础模型接入AI Agent（如CellAgent、scPilot等），形成“模型提出扰动假设 -> 机器人自动执行实验 -> 数据回填 -> 模型更新”的Lab-in-the-loop闭环。这不仅将极大加速药物研发，更是未来AI变现的巨大蓝海。 3. 数字人与虚拟胚胎：最终目标是实现供体层面的临床预测，甚至在数字世界中完整模拟虚拟胚胎的发育过程。

下一代虚拟细胞模型，将不再仅仅依赖常规基准来衡量，而是看它能否真正整合多模态数据、经受住分布外测试，并与真实实验形成反馈闭环。在这个AI与生命科学深度融合的时代，保持对前沿技术的敏锐度至关重要。获取更多深度解析与行业动态，请持续关注专业的AI门户。