| 查看: 26 | 回复: 1 | |||
| 【有奖交流】积极回复本帖子，参与交流，就有机会分得作者 君录生物 的 4 个金币 ，回帖就立即获得 1 个金币，每人有 1 次机会 | |||
[交流]
什么样的虚拟细胞才算“可信”？五项标准与评测路线
|
|||
|
▍导读 虚拟细胞可以在留出数据上复现转录组响应，却未必能回答一个更关键的问题：它在什么条件下值得相信？ Frontiers in Cell and Developmental Biology 于 2026年9月发表的综述 Toward trustworthy virtual cells 提出「可信虚拟细胞」五项标准，其中包括校准的不确定性，以及模型预测能够被闭环实验挑战。文章同时主张，评测重心应从留出集重建转向剂量、时间与组合外推，并检验预测是否符合生物学机理。 本文结合扰动图谱、代表性预测模型和线性基线研究，围绕这套标准展开讨论。我们的判断是：留出集成绩仍是必要的基础证据，但只有当模型能说明适用边界、在未训练条件下接受检验，并把预测转化为可证伪的实验问题时，「可信」才不只是一个更高的相关系数。 ▍现状与问题 虚拟细胞有两条源头。一条是机理侧：Karr 等 2012 年在 Cell 上整合 28 个子模型，做出覆盖 525 个基因的生殖支原体全细胞模型，能由基因型推演细胞周期表型。另一条是数据侧：单细胞测序规模化之后，以图谱为训练集、预测干预后转录组响应的深度学习模型成为主流形态，虚拟细胞一词也多指后者。 当前主流的评测沿用了机器学习的惯例：留出细胞、留出基因、留出扰动，在未参与训练的子集上计算表达谱相关性或差异基因召回。这套做法推动了模型迭代，也让不同架构之间有了可比的分数。Perturb-seq 一类大规模扰动图谱的出现，正是这套评测得以运转的数据前提。 问题在于，评测任务与真实调用场景之间存在错位。实际使用虚拟细胞时，人们要问的是没做过的剂量梯度会怎样、还没取样的时间点会怎样、两个从未组合过的基因同时扰动会怎样，以及模型给出的理由在通路上说不说得通。留出重建不能自动回答这些问题，而近期基准研究显示，所比较的五个基础模型和两个其他深度学习模型在未见扰动预测上均未超过刻意设置的简单线性基线。这说明现有分数本身不足以证明模型已经获得更强、可外推的生物学理解。 ▍核心观点 分水岭是外推，不止是重建：留出细胞、留出基因上的高相关系数，能够证明模型在给定数据切分下的预测表现，却不能自动证明它能跨越未测量的剂量、时间、组合与生物学情境。评测应把这些外推任务单独立项，重建成绩作为基础证据。 不确定性不校准，就进不了决策链：一个点预测再准，如果它在自己出错的地方同样自信，就无法用来排序实验优先级。要求模型给出可校准的区间，衡量标准是覆盖率而非方差大小——名义 90% 的预测区间，是否真的覆盖 90% 的观测。 机理一致性可以写成可判伪的约束：剂量单调性、扰动后通路的先后顺序、已知调控关系的有向性，都能事先写成检查项。模型在这些检查上翻车，即使相关性分数漂亮，也应被判定为不可信，而不是被解释为「数据里的新发现」。 可信度最终由闭环实验定义：模型输出应能被设计成一组湿实验，做完之后要么推翻它、要么加强它。缺少这条回路，评测就停留在同一批公开数据上反复调参，分数上涨与能力上涨会脱钩。 基准比架构更卡脖子：公开的组合扰动数据集中在少数细胞系、少数基因上，剂量与时间维度的系统数据更少。在这种数据条件下比较模型架构，结论的稳定性有限。 ▍论据与数据支撑 1、扰动图谱给出的数据底座（Cell 2022；Science 2019） Replogle 等在 K562 细胞系上用 CRISPRi 靶向所有表达基因，获得原文所述的 >2.5 million human cells 单细胞转录组数据，把基因型与表型的关系整理成一张可计算的高密度矩阵。这类图谱为扰动预测模型提供了大规模训练与评测底座，也让「未见扰动」这一设定有了明确参照。 更早的 Norman 等（Science 2019）在 K562 中用 CRISPRa 研究单基因与双基因组合扰动。他们用两个单扰动效应的线性组合解释双扰动效应，平均可解释超过 70% 的方差，并进一步分析残差中的非线性互作与低维遗传互作结构。因此，组合外推不能被简化为机械相加，但线性可加部分同样不应被忽略。 缺口同样清楚。公开组合扰动数据集中在少数细胞系与有限基因集上，剂量与时间维度的系统测量更稀少。评测基准的稀缺，是当前比模型架构更硬的约束。 2、三类主流模型，共用一套留出重建评测（Nature Biotechnology 2024；Nature Methods 2019；Nature Methods 2023） GEARS 把基因—基因关系编码进图神经网络，用已有的组合扰动数据训练，目标指向未参与训练的多基因组合，评测落在留出组合上的表达谱相关性。scGen 走潜变量路线，在变分自编码器的潜空间中学习扰动向量，再把同一向量迁移到不同细胞类型上预测响应。CellOT 则用神经最优传输刻画从对照分布到扰动分布的映射关系。 三条路线的建模假设差别不小：一个靠先验关系图，一个靠潜空间位移可迁移，一个靠分布层面的搬运代价。但它们的评测方式高度一致——留出扰动、留出细胞类型、计算相关性。这套范式能筛出拟合能力更强的模型，却很难回答「未测剂量会怎样」「未取样时间点会怎样」这类问题。 换句话说，模型在朝「更准地复现已知响应」优化，而使用者的诉求是「在未知条件上给出可用判断」。两者并不矛盾，但后者需要另一套任务设计。 3、基准校验：深度模型尚未超过简单线性基线（Nature Methods 2025） Ahlmann-Eltze、Huber 与 Anders 在 Nature Methods 2025 的系统比较中发现，所比较的五个基础模型和两个其他深度学习模型，在未见扰动预测上均未超过刻意设置的简单线性基线。这一结果说明，模型复杂度或相关性分数本身不能作为获得更强生物学理解的证据。 我们的判断是：这项基准研究并没有证明指标已经「饱和」，但它明确提高了证据门槛。排行榜名次若要被解释为能力提升，需要排除简单基线、数据切分和调参细节的影响，并在更接近真实使用情境的任务上复现。 因此，后续评测可从同分布的留出扰动扩展到跨剂量、跨时间、跨组合与跨情境的外推，并要求模型同时报告不确定性和可检验的预测依据。 4、机理侧的另一条路：全细胞模型与虚拟细胞路线图（Cell 2012；Cell 2024） 虚拟细胞并不是新概念。Karr 等的全细胞模型覆盖 525 个基因，由 28 个子模型整合而成，规模远小于人类细胞，但变量与过程通过明确的机理模块连接，可解释性主要来自模型结构本身。 Bunne 等在 Cell 2024 的路线图文章中，把 AI 虚拟细胞的目标设定为多尺度、多模态、可干预的统一表示。与全细胞模型的差别在于取径：前者用数据换规模与覆盖面，后者用机理换可解释与一致性。 两者并非替代关系。机理模型可以提供一致性约束，数据模型可以提供覆盖广度。可信度评测的一个可行方向是让两者交叉验证：数据模型给出的预测，落到机理模型的通路上能否自洽。 ▍局限与开放性 这套判断自身也有未决之处。剂量、时间与组合三个维度的系统数据稀缺，闭环实验的通量与成本决定了只能抽查，评测的统计功效因此受限；机理一致性检查依赖现有的通路知识，参考知识本身的偏差会原样传导给评测结论；不确定性校准方法在分布外样本上的表现仍在研究中，覆盖率能否在跨细胞系、跨物种的外推中保持，尚无定论。这意味着上述标准目前更像一套评测设计的方向，而不是一条可以立即判定合格与否的分数线。 ▍核心结论速览 - 综述提出「可信虚拟细胞」五项标准，其中包括校准的不确定性，以及模型预测能够被闭环实验挑战。 - 评测重心应从留出集重建转向剂量、时间与组合外推，并同时检验机理一致性。 - 留出集重建分数仍是基础证据，但不能单独证明模型在未训练条件下可信。 - 深度模型尚未超过简单线性基线，评测必须保留强基线并扩展任务范围。 - 机理模型与数据模型互为验证，是评测落地的一条现实路径。 ▍FAQ Q：什么是虚拟细胞？ 指用计算模型表示细胞状态并预测干预后果的一类工作，既包括以组学数据训练的深度学习模型，也包括以通路知识搭建的机理模型。共同目标是在计算机上先试，再用湿实验验证。 Q：五项标准里最容易被忽略的是哪一条？ 校准的不确定性。多数模型只输出点预测，使用者无从判断哪条预测可以信。缺少区间与覆盖率信息，模型结果很难用于实验优先级的排序。 Q：留出重建评测为什么不够？ 它主要检验模型在给定数据切分下的预测表现。真实使用场景还可能要求预测未测量的剂量、时间点、基因组合与疾病情境，任务难度和证据要求差异很大，两者的分数不能互相替代。 Q：闭环实验成本高，这套标准如何落地？ 通量有限决定了只能抽查。可行做法是先用模型排序，把有限的实验预算投给那些最能区分模型对错的预测，用少量实验换取对模型可信度的最大信息量。 ▍君录视角 对扰动数据和疾病模型而言，下一步不只是继续增加同分布细胞数量，而是补齐剂量、时间、组合与疾病情境的覆盖，并为关键预测预留正交表型和闭环验证。训练数据越大，越需要同时记录其支持范围；模型超出支持范围时，应报告不确定性，必要时拒绝作答。 这也意味着，评测设计应先从拟使用场景倒推：如果模型要支持实验优先级排序，就必须检验排序是否能在后续实验中提高有效发现率；如果模型要服务疾病机制研究，就应验证预测能否跨供体、细胞状态和模型系统保持方向一致。相关性仍有价值，但它只应是证据链的一环。 ▍延伸阅读 Toward trustworthy virtual cells, Front. Cell Dev. Biol. (2026), DOI 10.3389/fcell.2026.1900624 ▍关于我们 君录生物· 以数据驱动创新药早期开发 做靶点发现与药物管线早期资产 生信分析平台IntelliCytoPilot 单细胞数据库HeCellAstra 合作 · 投资 · 学术交流 |
回复此楼» 猜你喜欢
BT-11（Omilancor）研究化合物全解析：从分子结构到实验应用要点
已经有0人回复
-
富马酸贝达喹啉：二芳基喹啉类工具化合物的化学特征
已经有0人回复
-
化学工程及工业化学论文润色/翻译怎么收费?
已经有174人回复
-
BT投稿with editor状态快两周了，正常吗
已经有25人回复
-
Silevertinib（BDTX-1535）结构拆解：炔基双环片段为何成为合成瓶颈
已经有0人回复
-
RO4929097 解析：双苯并氮杂䓬骨架与 Notch 通路实验设计要点
已经有0人回复
-
分子量 1157 的 PROTAC 怎么配不析出：SGK3-PROTAC1 的溶解、分装与图谱复核
已经有0人回复
-
logP 6.1 的羧酸怎么配母液：GSK 650394 的溶解窗口与稀释顺序
已经有0人回复
-
从"水不溶"到 71 mg/mL：雷特格韦的 pH 依赖溶解与螯合色谱边界
已经有0人回复
-
133 Ų 的极性表面积，如何决定 TNG462 的母液配制与色谱条件
已经有0人回复
-
两个氟原子与一段氨基甲酸甲酯：BLU-5937 的母液配制与稳定性边界
已经有0人回复
» 抢金币啦！回帖就可以得到:
-
年薪40万元以上，诚聘第一性原理计算方向博士后
+1/955
-
年薪40万元以上，诚聘第一性原理计算方向博士后
+1/947
-
年薪40万元以上，诚聘第一性原理计算方向博士后
+1/946
-
山东征女友，坐标济南
+1/99
-
中国科学院赣江创新院招收博士生1名（化学、化工、材料、冶金专业）
+1/43
-
对外出租有机合成实验室
+1/39
-
昆明医科大学“柔性生物电子与智能传感课题组”招聘科研助理
+1/37
-
福州大学材料学院詹红兵课题组2027年普通招考博士
+1/31
-
中国石油大学（北京）国家级大人才团队博士招生2名：化学、材料、石油工程：油田化学
+2/29
-
昆明医科大学“柔性生物电子与智能传感课题组”招聘科研助理
+1/18
-
中国科大-合肥国家实验室冷原子量子网络团队招聘启事
+2/16
-
油脂资源与创新重庆市工程研究中心招聘科研岗/教学科研岗（重庆主城区、有编制）
+1/6
-
武汉大学田沺教授招收2026年优秀博士研究生-有机合成方向
+1/5
-
长春工业大学车辆与交通学院韩玲课题组2027年招收博士生两名
+1/5
-
中国科学院院士成会明招收2027届高分子、有机化学及AI智能等材料方向博士
+1/5
-
有机高分子或小分子或液晶或AI智造材料，院士招生。第一年在长沙，后面在深理工
+1/5
-
院士招生：高分子材料、液晶材料、自组装、有机化学及AI智造方向
+1/5
-
什么样的虚拟细胞才算“可信”？五项标准与评测路线
+1/4
-
高通量 WB 视角下的抗体芯片：多重蛋白定性筛查技术体系与方法学梳理
+1/4
-
招若干有分子生物，细胞培养背景的科研人员(中山大学)
+1/3
简单回复
jiantu2楼
2026-11-12 10:21
回复
君录生物(金币+1): 谢谢参与
