虚拟细胞：从状态预测走向实验闭环

从描绘细胞，到预测细胞

AI 与生物学的交叉讨论，常常聚焦于蛋白质和分子设计。虚拟细胞关注的是另一类问题：如何理解和预测细胞状态，以及细胞受到干预后会如何响应。

慕尼黑亥姆霍兹中心的 Fabian Theis 长期参与相关研究，其团队为多尺度、多模态、多组学及随时间变化的生物数据开发建模算法。这条路线希望推动生物学从描绘系统走向预测系统，并进一步探索如何通过干预，让系统达到期望状态。

对技术社区而言，这不只是模型规模的问题，还涉及任务定义、基线选择、指标设计，以及模型能否接受实验验证。

为什么复杂模型有时不如简单基线？

虚拟细胞的一项核心任务是扰动预测：当基因编辑、药物或环境因素改变细胞时，预测细胞状态将如何变化。

围绕 2025 年 Arc Virtual Cell Challenge 的讨论指出，在部分评测中，复杂模型甚至不如输出固定预测的简单基线。这自然引出了一个问题：模型究竟学到了生物规律，还是只拟合了数据中的统计特征？

不过，基线表现强，也可能与评估方式有关：

• 在一些扰动实验中，大多数基因的变化幅度很小。
• 某些指标可能因此偏向缺乏信息量的均值预测。
• 使用校准更合理的指标后，深度学习模型可以优于均值基线。

因此，需要区分两个判断：简单基线表现强，不等于复杂模型没有价值；复杂模型有潜力，也不等于它已经证明了自身优势。

合理的评估应当检验模型是否捕捉到了与任务相关的变化，而不只是看整体误差是否更低。

下一步不只是换模型，而是重新定义任务

Theis 认为，现有数据集中的部分扰动预测任务，可能不足以体现复杂算法的必要性。更值得投入的问题，是不同生物尺度之间如何相互影响。

研究对象因此不能只停留在孤立的细胞，而需要逐步覆盖：

分子 → 细胞 → 局部微环境 → 组织 → 器官 → 生物体。

相应地，模型需要面对的问题也会变化：

这些问题需要更丰富的数据，也需要能够描述跨尺度相互作用的模型。目前，不同尺度之间的衔接机制仍存在理解不足，相关数据也不充分。

数据更多，不等于数据已经连接起来

支撑虚拟细胞研究的，不只有建模算法，还有生物测量与实验基础设施的发展，例如：

• 自动化实验平台；
• 连接组学；
• 激光相位板显微技术与光片显微技术；
• 显微图像后处理方法。

这些技术有助于获取更丰富的表型信息。但对跨尺度建模而言，关键不只是增加数据总量，还要让不同模态、不同尺度的数据能够相互配准。

换句话说，采集到更多数据，与建立起可用于联合建模的数据关联，是两个不同的问题。

从单次预测走向实验闭环

进一步的方向，是把预测与实验连接成闭环：

1. 模型提出预测或干预方案。
2. 实验检验结果。
3. 将实验反馈用于改进模型。

这个过程是从“预测变化”走向“探索如何调控变化”的重要路径，但不能据此认为相关调控能力已经实现。

对于技术实践，值得关注的不只是模型能否生成一个预测，还包括这个预测如何被检验，以及实验结果能否成为下一轮建模的有效反馈。

与精准医学如何连接？

Theis 所在的亥姆霍兹计算健康中心整合人工智能、分子数据、医学影像、基因组学和临床数据，开发面向精准医学的预测模型与机制模型。计算生物学研究所则研究统计模型和动力学模型，覆盖从单细胞时间序列到人群规模组学数据的不同层级。

这也为写好标智库中的 AI 技术讨论提供了一个具体切口：评估模型价值时，除了比较模型规模和榜单成绩，还需要检查任务、指标、数据与验证方式是否匹配。

虚拟细胞下一步的关键，不只是让模型变得更大，而是让任务设计、评估指标、数据采集和实验验证相互配合：既检验模型是否优于简单方法，也检验它是否能够回答真正重要的生物学问题。