Latent Space 对谈 Xaira Therapeutics 的 Bo Wang 与 Ci Chu，讨论 X-Cell、Perturb-seq、因果数据和 AI 药物发现。节目时长 1:29:47，发布于 2026 年 7 月 22 日。1
先看结论
X-Cell 的核心问题很具体：如果把一个基因的表达压低，细胞里其它基因会怎样变化？要回答它，模型不能只学习「哪些基因经常一起出现」，还要学习「对细胞做了什么干预」。这也是 Bo Wang 和 Ci Chu 反复强调的主线：虚拟细胞的瓶颈先在数据，模型规模和架构排在后面。
这期节目介绍的 X-Cell 是一个 49 亿参数的扩散语言模型，训练数据来自 Xaira 的 X-Atlas / Pisces。官方视频简介给出的数据规模是 2560 万个单细胞、16 个生物学语境和 7 组全基因组 Perturb-seq campaign。2
嘉宾
- Bo Wang：Xaira Therapeutics 首席 AI 科学家、多伦多大学副教授、University Health Network 首席人工智能科学家、Vector Institute CIFAR AI Chair。他在 Stanford 获计算机科学博士，研究方向包括机器学习、计算生物学和单细胞分析。3
- Ci Chu：Xaira Therapeutics 首席发现官，曾任 insitro 高级细胞技术负责人，也曾在 Google X / Verily 参与 Immune Profiler 平台；他的工作长期集中在高通量生物学、功能基因组学和 AI/ML 药物发现。4
按节目顺序整理
1. Xaira 想把药物发现从「试错」推向工程化
Ci Chu 先介绍 Xaira 的三条 AI 平台路线。
第一条是蛋白质设计，目标是针对过去难以处理的靶点设计分子，背后有 David Baker 团队的研究积累。第二条是这期的主角，虚拟细胞或生物学基础模型，用来预测基因和药物分子如何改变细胞。第三条是患者表征模型，判断哪些患者可能对哪些疗法产生响应。
三条路线并不各自独立。Bo Wang 说，虚拟细胞模型应该帮助团队找到更适合蛋白质工程的靶点；细胞层面的因果模型也要和患者数据接上，否则模型很难说明临床价值。Xaira 的目标，是让 AI 贯穿靶点识别、蛋白设计、小分子、临床试验等环节，缩短周期、提高成功率。
2. 为什么蛋白质模型走得更快
节目把蛋白质设计和虚拟细胞放在一起比较。蛋白质领域积累了几十年的高质量数据，包括公共蛋白质结构数据库 PDB 和大量序列数据。AlphaFold 等模型的进展，建立在这些被社区长期整理、不断累积的资料上。
细胞建模没有同等规模、同等质量的数据。单细胞表达数据大多是观察性的，它描述细胞当下是什么样，却没有记录实验者对细胞做了哪种改变。因此，这些数据很适合做批次校正、数据整合和细胞状态表示，却不能自动变成可靠的干预预测数据。
患者层面的数据更难。高质量患者样本本身难拿，还要把分子数据和临床标注准确配对，才能学习分子状态与治疗响应之间的桥梁。不同疾病严重程度、不同药物和不同患者之间的组合，又让数据采集和整理变得更复杂。
3. Perturbation 到底是什么
人类细胞大约有 2 万个基因。不同细胞共享同一套基因组，却会因为选择性表达不同而成为眼睛、皮肤、心脏等完全不同的细胞。
X-Cell 想在计算机里做一个「虚拟干预」：把某个基因的表达量调低，再预测整张细胞表达图会发生什么变化。这个问题和药物作用很接近，因为许多药物本来就是通过抑制某个蛋白或基因的活性发挥作用。
如果只做基因干预预测，下一步还可以扩展到通路抑制。通路是一串互相影响的基因和蛋白质，改变其中一个环节，可能会改变细胞更大的表型，包括细胞的功能和状态。
4. Virtual Cell 不是一个固定模型名
Bo Wang 把 virtual cell 解释成一个很宽的概念：用模型描述细胞长什么样，或者预测某种干预之后细胞表达和功能会怎么变。
早期的 virtual cell 1.0 更像数学建模。研究者尝试用微分方程描述通路干预的反应，再把方程拟合到观察结果上。问题是，生物学太复杂，很难提前写进几组预设方程。
语言模型兴起后，研究者开始用数据驱动模型模拟细胞。Bo Wang 在多伦多大学团队开发的 scGPT，是较早的单细胞基础模型之一。它可以用同一个模型处理不同批次的单细胞 RNA 数据、做多组学整合，帮助研究者从「每项任务找一个专门模型」转向「一个基础模型承担多种任务」。
但基础模型只是 virtual cell 的起点。它可以提供有语义的细胞表示，真正的虚拟细胞还要处理细胞状态的动态变化、不同时间点的发展过程和细胞之间的空间关系。
5. 观察数据为什么不够
Ci Chu 用一个简化例子说明问题：如果观察到基因 A、B、C 一起上升和下降，可以有很多因果网络解释同一组结果。可能是 A 调节 B 和 C，也可能是 B 调节 A 和 C，也可能是另一个隐藏因素同时影响三者。
因此，观察数据可能与多种因果结构相容。它可以告诉我们「哪些东西一起变」，却不足以单独告诉我们「谁改变了谁」。如果模型要回答「我对细胞做了这件事，接下来会发生什么」，训练数据里就必须包含干预。
这也是为什么 Xaira 把重点放在 causal data：不是把更多静态表达表格喂给模型，而是把实验者做过的改动和细胞后续反应一起记录下来。
6. 用 Perturb-seq 建立因果数据
Perturb-seq 把高通量 pooled CRISPR 干预和单细胞 RNA 测序结合起来，形成一个二维数据集。
一条轴是扰动：用 CRISPRi 把基因表达压低。另一条轴是读出：在同一个细胞里测量大量基因的表达水平。通过 guide RNA 条形码，研究者可以知道哪个 guide RNA 进入了哪个细胞，从而知道哪个基因被压低，以及其它基因如何响应。
如果一个一个地做 2 万个基因的敲低实验，规模会非常大。Pooled 设计把不同基因的干预放进同一批细胞里，再用条形码拆解每个细胞的身份。这样，一次实验就能承载很多彼此并行的干预。
单细胞 RNA 技术则把每个细胞的表达读数拉出来。最终得到的不是一张普通的基因表达表，而是一张「基因干预 × 全基因表达」的高维矩阵，性质上接近训练蛋白质基础模型所需要的丰富二维数据。
7. 规模不是简单地多养细胞
Ci Chu 说，25.6M 是经过最严格质量过滤后留下的单细胞数，实验实际处理的细胞远远不止这些。整个流程要先收获数千万甚至上亿个细胞，再经过不同质量筛选，最后把高质量数据交给模型团队。
学术论文里的方法往往已经能在小规模实验中工作，但全基因组规模完全是另一种工程问题。新鲜细胞会持续变化，实验从早到晚可能跨越十几个小时。细胞会产生应激信号，实验人员也会疲惫，批次效应随之进入数据。
Xaira 因此把流程工业化，使用化学固定等方法先锁定细胞状态，再调整后续分子实验，使固定不破坏数据质量。目标不是让每个操作员每天手工完成同样的流程，而是让数据生成可以错开时间、稳定扩展，并尽量减少批次效应。
8. 为什么要覆盖多个细胞语境
早期数据来自容易培养、容易扩增的细胞系，包括部分癌细胞系和从原代细胞衍生而来的永生化细胞。它们适合做大规模实验，但不等于真实人体里所有细胞的状态。
后续 Xaira 把范围扩展到更多细胞类型，包括诱导多能干细胞，以及一次实验里从 iPSC 分化出的 10 种细胞类型。这个设计本质上是把基因扰动和细胞类型做成一个「库对库」实验。
Ci Chu 强调，数据的价值不只由总细胞数和测序读数决定，还包括每一美元实验成本带来的信息量。要让模型泛化，就要同时扩大基因扰动空间和生物学语境空间。
9. 空间转录组是下一步
把细胞从组织里分离出来，模型会失去邻居、位置和局部环境。肿瘤免疫里，T 细胞离肿瘤细胞有多近、是否能进入实体瘤，都会影响生物学结果。
传统 RNA 测序会把一块组织磨碎，测出混在一起的 RNA；单细胞测序可以把表达归属到一个个细胞，但还不知道它们在组织里的坐标。空间转录组把 XY 坐标、细胞形态和分子读数放回原位，帮助模型理解细胞所处的邻域。
当前版本的 X-Cell 主要处理单细胞 RNA 表达，尚未直接处理空间组学。Bo Wang 预计，下一代虚拟细胞模型会把 RNA、蛋白质、代谢物、调控信息和空间关系整合起来，预测更接近真实组织的细胞状态。
10. 为什么 X-Cell 使用 diffusion
scGPT 采用类似语言模型的自回归训练：先预测一个 token，再按顺序预测下一个。对自然语言来说，顺序很自然；对表达矩阵来说，基因并没有一个生物学上天然的排列顺序。把基因表达按某种排序变成一串 token，多少带有工程上的强行假设。
扩散语言模型提供了另一种思路。它更像编辑，不是从第一个基因开始逐个打字，而是从一个粗糙、带噪的表达状态开始，反复修正，直到得到更接近真实细胞的整张表达图。
Bo Wang 说，这种双向的迭代过程更符合高维、无序表达数据的性质。模型可以不断更新整张表达图，而不需要把基因按照人为顺序排成句子。节目给出的模型规模是 49 亿参数，X-Cell 使用扩散语言模型来生成受到干预后的全转录组表达。
11. 先验知识有帮助，但排序很重要
X-Cell 也尝试把多种生物学先验加入模型，包括文献、蛋白质互作网络、癌症相关必需基因信息、形态学信息，以及 scGPT 的细胞类型表示。
这些先验可以帮助模型做更具体的语境预测，也可以通过观察不同先验的权重来理解哪些知识对某类细胞更重要。它们还可以在推理时作为条件，引导模型预测某个方向。
但 Bo Wang 没有把先验知识包装成万能答案。根据访谈中的经验排序，增益通常首先来自数据质量和规模，其次是模型架构，最后才是生物学先验。不同细胞类型会有差异，先验在某些语境里贡献很大，在另一些语境里可能只是边际改善。
12. 泛化才是虚拟细胞存在的理由
如果问题只发生在容易培养的细胞系里，直接做实验可能更快，未必需要一个模型。模型的理由在于：动物、器官、类器官和患者系统无法像细胞系一样被穷举筛选，实验成本高、风险高，且很多问题根本不能完整实验化。
X-Cell 的一个关键测试是：模型在 resting T-cell line 的扰动数据上训练，再去预测 activated T-cell 的扰动响应。线性基线只把 resting 状态的扰动差值直接搬到 activated 状态，遇到新语境就失效。
X-Cell 没有见过 activated T-cell 的扰动结果，却能预测已知 TCR 复合体的生物学响应，也预测出后来在实验中发现的候选 T-cell 抑制因子。另一个测试把某种细胞类型从训练数据中留出，模型仍能在未见过的细胞类型上预测数千个基因和数千个扰动。
更进一步，模型只在一个 T-cell 细胞系上训练，却能迁移到来自多位真实供体的原代 T-cell 实验。这些结果还需要更多实验复核，但它们说明了虚拟细胞的目标：不是替代实验，而是把难以穷举的系统变成可以优先验证的假设。
13. 为什么线性基线曾经很难被超过
过去一些 benchmark 在小规模重复实验数据上评估模型，指标常用平均绝对误差。由于单细胞数据很稀疏，直接预测细胞平均表达有时就能取得很低的 MAE，甚至比技术重复还低。这个指标可能奖励了「预测平均值」，却没有真正奖励模型学会扰动后的变化。
X-Cell 更关注预测表达变化与真实表达变化之间的相似度，例如扰动前后变化的相关性。Bo Wang 说，把原始数据、线性基线和 X-Cell 的热图并排放在一起时，差异很直观：X-Cell 的变化图更接近 ground truth。
这不是在声称复杂模型在所有任务上都赢。Bo Wang 的判断是，静态表达数据训练出来的模型很难超过线性基线；在正确的因果数据上训练，模型才可能在未见语境这种更难的任务上展现优势。
14. 从单基因走向组合干预
当前平台主要从单基因、功能缺失干预和 RNA 表达读出开始。生物学里也有很多冗余机制，一个基因被压低，另一个基因可能补上它的功能，单基因实验未必看得到完整表型。
因此，Xaira 正在沿几个方向扩展：从 RNA 走向多模态读数，从单基因走向通路激活与抑制，从细胞系和单一培养物走向原代细胞、类器官和体内干预。
即使训练数据主要来自单基因扰动，模型也可以在计算机里同时改变两个基因，生成组合干预假设。但如果没有真实的组合干预数据校准，预测准确性不能直接保证。组合实验仍然是必须补上的证据。
15. 学术界和产业界各自擅长什么
Bo Wang 说，agentic AI 让科研节奏快到很难完全跟上。现在他的时间分配名义上是 80% 在 Xaira、20% 在大学，但现实更像是两个 100%。他的实验室会使用 agentic AI 追踪论文、准备讨论，但学生和教授仍然要建立自己的研究方向和判断力。
产业界的优势是 GPU、资金、湿实验工程和规模化生产。学术界的优势是研究自由、细分领域的深度，以及一些产业界难以获取的医疗数据。Bo Wang 认为，学术实验室不能只靠追逐同一个规模竞赛生存，而要在具体问题上做出足够深的专长，再和产业合作。
Ci Chu 则把实验技术的历史讲得很清楚：CRISPR、单细胞 RNA 测序和 Perturb-seq 的早期工作都来自学术界；产业界更擅长把有希望的方法扩展成稳定、可重复、高通量的生产流程。对 AI for Science 来说，两边都需要，单靠一边很难完成从新方法到可用数据的长链条。
16. 为什么他们愿意开放数据和模型
Bo Wang 是开放科学的支持者，他的团队会公开模型权重和数据。Xaira 也在公开部分数据集和模型，因为虚拟细胞还处于早期，过早锁住数据不一定能让任何一方更快得到答案。
蛋白质领域的经验是，开放的结构数据库和开放模型让研究者可以快速复用、比较和迭代。Xaira 希望虚拟细胞也有类似的共同数据标准、共同协议和共同模型基础。
对学术界的建议不是「重复建一个 Xaira」，而是继续做产业难以替代的实验创新：蛋白质、代谢物、脂质、蛋白质互作、空间关系、活体扰动，以及能把同一细胞在不同时间点连续测量的技术。
逐句全文翻译
以下部分按官方 Latent Space 视频的完整英文字幕逐句翻译，只保留中文译文。字幕的说话人标记没有完整显示姓名，因此主持人统一标为「主持人」，两位嘉宾分别标为「Bo」和「Ci」；片头未能从字幕确定说话人的短片段标为「片头片段」。没有把节目中的笑声、清嗓、停顿和主持人追问静默删掉。原始节目入口：2
片头与嘉宾介绍
片头片段：真正让我震撼的是，我看到模型做出预测之后，把基因表达变化打印成热图，再把实际原始数据、线性基线的预测、ground truth 和 X-Cell 的预测放在一起。你可以非常直观地看到，X-Cell 的预测比线性基线更接近 ground truth。这就是我一开始说的那个「哇」的时刻。这是第一次有人把不止一组，而是七组全基因组 Perturb-seq campaign 放到了一起。
片头片段：有一件事很快就被我们这些生物学家注意到：有些扰动在不同语境里是通用的。
主持人：大家好，我是 Mirror Omics 的 CTO R.J. Honicky。这位是 Brandon Anderson，他在 Atomic AI 做 RNA 疗法。这是 Latent Space 的 AI for Science 播客。
主持人：这档播客一直讨论一个主题：实验室、实验和真实世界，可能是判断一件事到底属于 AI for Science，还是更像 B2B SaaS 的最重要因素。今天我们很高兴邀请到来自 Xaira Therapeutics 的 Bo Wang 和 Ci Chu。Xaira 正在和很多人一起搭建 AI 药物发现平台。他们使用高通量实验系统收集非常大的数据集，再训练 AI 模型，预测人体细胞会怎样响应药物和疗法。欢迎两位来到节目。我们都很喜欢你们的工作。能不能先向听众介绍一下自己？
Bo：大家好，我叫 Bo Wang，是 Xaira Therapeutics 的高级副总裁和生物医学 AI 负责人。我大约八个月前加入 Xaira。在那之前，我是加拿大多伦多大学的副教授。
Ci：我的名字是 Ci Chu。我的名字如果不说普通话，确实很难发音，所以我一般直接用 Chu，像 Chewbacca 或 Pikachu 里的 Chu。我想这两个都是你们喜欢的虚构角色。笑声。我是 Xaira 的 AI 赋能发现业务高级副总裁。我加入的时候公司还处在隐身模式，大约已经两年多了。我在这里负责高通量生物学团队，生成供 AI 模型训练的数据，也思考这些模型怎么应用。
Ci：在这之前，我大约十年都在 AI、大数据和生物学的交叉处工作。我曾在 insitro 负责体外发现平台，之前在 Verily 工作，Verily 是从 Google X 分拆出来的公司。
主持人：好。你们在 Xaira，这家公司正处在一个很容易让人混淆名字、又很容易出现巨额融资的前沿位置。Xaira 大概几年前从隐身状态出来，一下子变成了一个非常大的组织。我想先请你们解释一下，Xaira 的使命是什么，核心论点是什么，它有什么特别之处，未来要往哪里走？
Ci：Xaira 是一家 AI 赋能的药物发现公司。我们的使命核心，是用 AI 平台生成更好的疗法，推进患者治疗。因此，我们会使用不同的 AI 能力来做药物。
Ci：我们正在搭建三条主要的 AI 平台。第一条是蛋白质设计，这项工作来自我们的联合创始人 David Baker 博士在华盛顿大学的团队；公司里有很多这一代蛋白质设计研究者。我们的思路是使用先进的 AI 技术，针对过去无法处理的靶点开发分子。
Ci：第二条平台，也就是今天会花很多时间讨论的，是 Bo 和我已经做了一段时间、刚刚发布预印本的工作。它是虚拟细胞，也可以叫生物学基础模型。希望是构建一个 AI 模型来预测生物学，正如你刚才说的，预测哪些基因和药物分子会影响细胞生物学。
Ci：第三条是我们现在刚开始搭建的患者表征模型。目标是让 AI 模型理解哪些患者会对哪些疗法产生响应。希望这三类平台技术结合起来，能让我们比过去更快地做出更好的药物，并提高成功率，把过去更多依赖手工试错的过程，逐渐转变成工程学科。
Bo：我觉得 Xaira 的不同之处，不只是那十亿美元。笑声。它还是少数真正 AI 原生的药物发现公司之一，能够覆盖整个药物发现流程，从最早的靶点识别、蛋白质设计、小分子，一直到一到三期临床试验。
Bo：我们的目标是用 AI 加速药物发现的每一个环节。这样既能提高药物开发成功率，也能大幅缩短周期。过去可能每十年、二十年才能有新药，我们希望把周期缩短，让患者更快得到有用的药物。
主持人：这很有意思。我知道现在很多人都关注第三件事，有人把它叫作从实验室到临床的转化。瓶颈在哪里？你们有这三个模型，正在处理哪些瓶颈？为什么要用这种方式？
Bo：我们是一家 AI 原生公司，几乎在药物发现的每个环节都尝试用 AI 改变药物开发方式。早期阶段，我们搭建因果基础模型，也就是有时所说的虚拟细胞；蛋白质方面，我们有先进的蛋白质工程模型；患者方面，我们有患者表征学习模型。
Bo：Xaira 想做的不只是开发 AI 模型，也要创建能赋能这些模型的正确数据集。最让我兴奋的一点，是我们一直在尝试把三种 AI 模型连接起来，而不是让它们各自独立工作。
Bo：比如设计虚拟细胞模型时，我们会问：能不能找到更适合蛋白质工程模型的靶点？在设计细胞因果模型时，我们会问：它能不能和患者表征连接起来？哪些患者数据可以接到细胞模型上，让我们最后能展示临床效用？
Bo：我加入 Xaira 之前，有点像是在计算生物学或计算机科学系当教授，主要面对计算机、数据和数组。来到 Xaira 之后，真正让我兴奋的是可以和 Chu 这样的人、以及很多经验极其丰富的药物研发人员交流，理解他们真正想解决的问题。
Bo：因此，我们设计 AI 模型时，会思考那些真正让生物学家兴奋的问题。之后我们可以聊聊，X-Cell 做出来之后，我收到的最有回报的信号之一，就是生物学家出现了「哇」的时刻。他们第一次看到模型确实能预测没有见过的细胞系会如何响应不同扰动。把干实验室里的 AI 模型和湿实验室里的生物学，再和未来的临床环节接起来，这部分最让我兴奋。
主持人：说到临床模型，我知道你们的目标是把药物一路带到 FDA 批准，甚至更远。现在到哪一步了？如果可以说的话，你们已经能从临床试验收集数据，并把数据接回来了吗？
Ci：正如 Bo 刚才说的，如果你把药物发现过程想得很简单，确实很简单：找到正确的靶点，做出正确的分子，再找到正确的患者给药。笑声。问题是，每一步都极其难以做好。
Ci：到目前为止，这个过程仍然很依赖试错和猜测。现在的主要问题，我认为是我们没有足够正确的生物学数据来训练预测模型。在蛋白质设计领域，我们目前看到了最快的进展。
数据瓶颈、蛋白质设计与患者模型
Ci：一部分原因是，我们有超过七十年由整个社区整理的高质量数据。
Ci：人们把蛋白质结构放进一个叫 PDB 的数据库。我们也有多年积累的序列数据，这些序列来自不同的基因组，可以帮助模型获得信息。
Ci：正是这些被收集、积累起来的高质量数据，开启了蛋白质设计、AlphaFold 和其它折叠模型的这轮进展。
Ci：在临床模型预测、虚拟细胞等其它领域，我们离同样规模、同样质量的数据还很远。我认为主要问题是数据限制。所以，回答你的问题，我们现在非常投入地生成这些数据，尤其是在实验室里生成细胞生物学的因果数据。我认为，正是这些数据让算法创新和虚拟细胞模型的出现成为可能。
Ci：患者一侧是一个非常有意思的问题。也许这是最难拿到的数据之一，因为获得高质量患者样本本身就很困难。还要把样本和正确的临床标注匹配起来，这样才能真正学习分子数据和临床响应之间的桥梁，这就更难了。
Ci：你也许可以在不同疾病严重程度之间做这些工作，但要收集到足够正确的数据，去预测某个患者会不会响应某种药物治疗，会更困难。这个过程需要很多思考，也需要非常仔细的整理。我们正在开始进入这个方向，希望之后可以分享更多。
主持人：太好了。我们现在换个方向。你们刚刚发布了 X-Cell。请你们介绍一下。这个名字我可能会念错。
Bo：X-Cell 是 Xaira 的第一个虚拟细胞模型。它可以预测细胞对基因扰动的响应。当然，我们可以把它扩展到其它干预类型，比如药物干预和化学干预。
主持人：能不能为正在听节目的非生物学家解释一下，什么是 perturbation，也就是扰动？
Ci：我们的细胞里大约有 2 万个基因。不是所有细胞都会以同样的程度表达每一个基因。这就是为什么眼睛细胞、皮肤细胞、心脏细胞虽然共享同一个基因组，功能却完全不同。很多差异来自选择性基因表达，而选择性表达又决定了细胞的类型和状态。
Ci：我们要做的是构建一个模型，让你可以在计算机里从细胞中「敲掉」某些基因。这个虚拟扰动的问题是：如果我降低某个基因在细胞中的表达，对细胞其它部分有什么影响？它会产生什么生物学后果？
主持人：所以你基本上是把一个基因的旋钮调小。
Ci：对。
主持人：然后其它基因会发生什么变化？
Ci：是的。希望当然是预测其它所有基因受到的影响，甚至预测超出基因表达的东西，比如细胞的功能。
Ci：这件事具有治疗相关性，因为很多药物本来就是抑制剂，它们正是通过降低蛋白质或基因的活性来发挥作用。如果我们能从基因扰动预测开始，就有希望继续做通路抑制预测，等等。
主持人：什么是通路？
Ci：通路就是一组彼此沟通的基因。一个基因表达出一种蛋白质，这种蛋白质会影响另一个基因，接着还有下一个基因。这是一条由基因和蛋白质组成的长链反应，这条链就叫通路。
Ci：如果你打断它，或者以某种方式改变它，就会影响细胞更大的表型，也就是细胞看起来怎样、会做什么，以及它的其它性质。
主持人：这正是你的意思。
Ci：对。
Virtual Cell 的历史
主持人：现在你们有一个叫虚拟细胞的东西，或者说正在创建虚拟细胞。现在这个概念很热门，很多人都在关注。但我觉得你们的方法和其它团队有所不同。能不能先解释一下，大家广义上说 virtual cell 时，究竟在说什么？有哪些不同路线？你们自己的路线是什么？
Bo：虚拟细胞首先是一个很高层次的术语，用来描述一种 AI 模型。它可以预测或描述细胞是什么样，预测细胞表达，或者预测细胞在某种干预之后会出现什么功能。
Bo：这个概念本身并不新。大约二十年前，我们已经有过 virtual cell 项目。那时有时会把它叫作 virtual cell 1.0。研究者尝试推导微分方程，用数学描述细胞对某种通路干预的响应，再把方程拟合到不同观察结果上。
Bo：从某种意义上说，那次尝试没有成功，因为生物学太复杂了，很难用几组预先写好的微分方程表达清楚。
Bo：随着语言模型兴起，使用 AI 模型、通过数据驱动方法模拟细胞对不同干预的响应，这个想法开始流行起来。大约三年前，也就是 ChatGPT 发布后差不多四个月，我们多伦多大学的团队发表了一个较早的单细胞基因组基础模型，叫 scGPT。
Bo：你可以把它理解成单细胞版本的 GPT。它很快流行起来，因为这是第一次我们有了一个基础模型，可以用同一个模型处理不同的下游任务。比如，我们可以用同一个模型整合不同批次的单细胞 RNA 数据，也可以用它做多组学整合预测。
主持人：我们先把这些东西说清楚。你说的「整合不同批次的 RNA 测序」是什么意思？你可能有不同设备，也可能在不同实验室收集数据。
Ci：对。不同实验室，不同时间，甚至不同月相。笑声。
主持人：这些因素其实都会对你收集到的数据产生很大影响。于是问题变成：当两个数据集之间有很多和基因表达无关、只是测量方式不同的差异时，我怎么比较这个数据集和那个数据集？
Bo：我们把这叫作 batch effect，也就是批次效应。我们当然希望移除批次效应，同时保留细胞类型，因为细胞类型才是我们真正想保留的生物学信息。
主持人：这有点像图像分类里的坦克问题。模型会抓住一些奇怪的伪特征，这些特征和你真正关心的底层生物学没有关系。
Bo：整合不同批次的核心，就是在移除批次效应的同时保留生物学信号。在这些基础模型出现之前，单细胞领域的做法是，每个任务都要由生物学家挑一个当时最好的专门方法。
Bo：有了 scGPT 或 Geneformer 这类基础模型，我们希望带来的是一个模型解决单细胞里的多种任务。随着基础模型流行，很多研究者在 Chan Zuckerberg Initiative 下合作，我们在 Cell 期刊发表了一篇观点文章，第一次系统地使用了 virtual cell，或者说 virtual cell 2.0 这个词。
Bo：它的意思是：让我们使用数据驱动的方法。如果不能直接描述，就让模型去学习。这就是虚拟细胞的想法。我们可以构建语言模型或类似语言模型的模型，预测细胞类型长什么样，预测细胞会如何响应不同干预，最终甚至希望用计算机模拟替代所有细胞实验，不必每次都真正去做实验。
主持人：补充一点背景。虚拟细胞只是一个总概念。你可以想象，细胞里有 2 万个基因，而大多数人类细胞在任意时刻大约有 4000 到 5000 个基因处于活跃或达到可观表达水平。
主持人：所以，观察一个普通细胞，你可能看到 4000 到 5000 个基因正在发挥作用。医学通常会针对一种蛋白质，或者针对一种让蛋白质变多、变少、停止发挥作用的机制。问题就是：一个细胞里有这么多基因，而每个细胞的基因组合不同，哪些东西会改变？某条通路会不会消失？某条通路会不会增强？如果你理解改变一个基因或一组基因怎样改变整个系统，就可以理解一种药物会怎样工作。这样理解对吗？
Bo：这是对虚拟细胞的高层次理解。这个领域现在的问题之一，是缺少一个具体且统一的 virtual cell 定义。人们几乎把基础模型和虚拟细胞等同起来，但在我看来，虚拟细胞可能是比基础模型更宽的概念。
Bo：基础模型主要提供可靠、具有生物学语义的细胞表示。但我认为虚拟细胞更动态：我们能不能构建 AI 模型，预测不同细胞状态在不同时间里的发展？能不能描述细胞在不同空间分辨率下的变化？
Bo：我的理解是，我们还处在开发综合虚拟细胞模型的早期。基础模型确实只是起点。
主持人：AI 模型总是从数据开始。你们正在搭建，或者已经搭建并持续完善一套高通量实验系统。听起来很酷，也很复杂。能不能介绍一下它具体包含什么？你们在做哪些实验？这些实验怎样帮助构建 AI 模型？为什么要这样做，而不是直接使用 CELLxGENE 这类从公开数据集汇总而来的基因表达数据库？
Ci：这是个很好的问题。我想接着 Bo 刚才的话说。他提到，从生物学的表征模型、基础模型走向虚拟细胞，这一点非常深刻。这里的关键差异，是扰动预测，也就是生物学中的动态过程。这是一个因果概念，所以我们需要因果数据。
Ci：CELLxGENE 是非常出色的数据集，最初整理了超过 3300 万个细胞，现在更多了。scGPT 当时使用多伦多大学 Bo 的实验室提供的数据训练，主要是观察性描述数据。它描述的是健康人类供体的分子状态，而不是因果关系。因此，基于这些数据训练的模型很擅长描述性任务，例如协调不同批次的数据、去除不同实验室和不同技术造成的影响。
Ci：但我和领域里的很多人都发现，基于描述性数据训练的模型，在因果任务、扰动任务，也就是反事实任务上，还没有超过线性模型。你对细胞做了这件事，接下来会发生什么？这才是反事实问题。
Ci：这对生物学家来说很直观，因为描述性数据里的相关性可以由很多种因果结构解释。用一个非常简单的例子来说，假设你观察到基因 A、B、C 在描述性数据中总是一起上升、一起下降。你可以推断 A 调节 B 和 C，所以 A 上升时 B、C 也上升。你也可以说 B 调节 A 和 C，这同样完全合理。你还可以说，A 调节 B，而 C 完全由另一个因素调节。问题就在这里：同一组数据可以被很多种因果调控网络拟合。
Ci：从根本上说，我们认为观察数据不足以真正学习因果关系。因此我们很早就意识到，需要开始构建因果数据集，用它训练因果模型。怎么规模化生成这样的数据？这个领域已经发展到可以做高通量生物学，也有很多方法能够规模化地产生因果数据。我们聚焦的技术叫 Perturb-seq。
Ci：对不熟悉这项技术的听众来说，Perturb-seq 把高通量 pooled CRISPR 扰动和单细胞 RNA 测序结合起来，构建二维数据集。让我拆开来说。
主持人：好，请讲。[笑声]
Ci：我们刚才说过，一个细胞里至少有 2 万个可测量对象，也就是基因。它们既是需要测量的特征，也是可以用来扰动细胞的杠杆。为方便起见，可以把一条轴叫作扰动，另一条轴叫作基因表达：前者表示对细胞做了什么，后者表示测量到的细胞特征。
Ci：Perturb-seq 利用了实验生物学的最新进展 CRISPR-Cas9。CRISPR-Cas9 是从细菌中衍生出来的酶，可以在哺乳动物细胞，例如人类细胞中，破坏基因表达。我们可以一次处理一个基因。可是，如果想在一项实验中完成 2 万个基因的敲除，规模会非常难以承受：可能需要一座巨大的工厂和大量机器人。
Ci：另一种方式是 pooled 实验。我很喜欢 pooled 实验，因为它们可以大规模扩展。实验技术可以让我们做到每个细胞扰动一个基因，但在同一项 pooled 实验中，让很多细胞共同覆盖 2 万个基因。这样所有基因就能在一项实验里被测量，而不是拆成大量彼此独立的批次。通过组合式的设计，先在不同细胞中制造不同基因的扰动，再把读数拆出来，就能把很多个实验压缩进一个实验。
Ci：当然，这需要条形码技术。条形码的做法，是直接读取每个细胞里存在的 CRISPR guide RNA。要让 CRISPR-Cas9 这套源自细菌的机制在数百万个细胞中工作，只需要向每个细胞递送两样东西：负责执行任务的 Cas9 蛋白，以及由一小段 RNA 编码的地址条形码，也就是 guide RNA。
Ci：guide RNA 通过碱基配对告诉蛋白质应该去细胞里的什么位置。它与目标基因的一段序列匹配，长度足够长，可以指向正确的基因，然后把这套机制带到那里，降低该基因在细胞中的表达。
Ci：我们设计 guide，使它指向基因的启动子区域，也就是每个基因在转录开始之前的起始片段。如果把带有正确抑制器的 Cas9 蛋白带到那里，启动子就会被关闭，那个基因不再被转录。结果就是把该基因的表达水平调低。只要找出每个细胞里是哪一种 guide RNA，就可以用基因组读数把它当作条形码，从而推断哪个基因在这个细胞里被沉默。
Ci：这解决了扰动侧的规模问题。读出侧则是二维数据集的另一条轴。我们使用单细胞 RNA 测序技术。这些技术在过去十年里逐渐成熟并实现规模化，可以从每一个细胞同时读出全部 2 万个基因的表达水平。
Ci：有了高通量 CRISPR 扰动和高通量单细胞 RNA 测序，我们就能生成二维数据集：系统性地在一个细胞类型中扰动或敲低人类基因组中的每个基因，再在同一个细胞里读出它对其它每个基因的影响。这样的数据集非常丰富，和训练蛋白质基础模型所需的二维数据类型并没有那么不同。蛋白质基础模型的训练数据也是二维的：可以把蛋白质条目看成行，把每个氨基酸的 XYZ 坐标看成列。正是这种丰富的二维数据，推动了生物学基础模型的训练。
主持人：我觉得很有意思。你们把一个相对直接的检测流程，用下一代测序，也就是 NGS，扩展成极高通量。单独看，一次扰动响应可能并不特别有趣；但经过扩展后，规模达到数千万个细胞。我记得你们做了大约 2500 万个？
Ci：实际比这个多很多。2500 万是经过最严格质量筛选后留下来的数量。
Ci：把 CRISPR 和单细胞 RNA 测序做到这个规模，既是科学挑战，也是工程挑战。我们经常要先收获数千万乃至上亿个细胞，再让它们通过多层质量筛选，最后把最高质量的数据交给 Bo 和他的团队。这非常难，因为这些方法之前都由学术界发表过，在小规模实验中工作得很好；但把它们扩展到全基因组扰动，就意味着要处理数亿个细胞。
Ci：学术界发表的方法过去通常处理的是新鲜细胞，也就是仍然活着的细胞。如果整个实验只需要一两个小时，这或许没问题。但要在一个 14 小时的工作日里处理数亿个细胞，就不容易了。到了晚上，你可以很容易地检测到细胞的应激信号，也能检测到实验科学家的应激信号。[笑声]
主持人：是的。
Ci：我们很快意识到，不能这样生成数据。机器学习高度依赖数据质量，我们希望给 AI 团队最高质量的数据。因此我们在整个流程中加入了大量工程设计，一步一步把它工业化。比如引入化学固定，在实验开始时锁定细胞状态，同时设法让固定不破坏后续分子生物学步骤，也不影响数据质量。这样数据生成就可以错开时间进行，操作流程也更不容易产生批次效应。
主持人：你刚才还提到了某种干细胞。也就是说，你们显然没有脑细胞、血细胞之类的所有细胞；如果都有，组合效应会非常大。为什么确信在干细胞上工作，能够作为脑细胞或其它研究对象的良好代理？我记得有些血细胞也被解除了一部分干细胞行为，这会给细胞带来压力。你们面对的似乎是并不完全像血细胞、又承受压力的细胞，为什么它能代表你们要研究的细胞？
Ci：其实不完全是这样。我们并不是从干细胞开始的，那是后来的发展。去年六月发布预印本时，我们先公开了方法和前两个数据集，也是当时全球最大的 Perturb-seq 数据发布。这个数据集叫 X-Atlas Orion，实际上来自两种细胞系。这个领域的早期工作很多从细胞系开始。
主持人：其中一个是癌细胞系？
Ci：其中一个是癌细胞系，另一个是普通细胞系。它们是永生化细胞。有些来自癌症，所以叫癌细胞系；另一些来自原代细胞，但经过永生化，可以在不同实验室里生长很多年。大家一开始选择细胞系，是因为它们容易操作、容易扩展，也容易培养出大量细胞。事实证明，要做这些大型实验，能够培养数百万个细胞非常关键。
Ci：它们仍然保留了来源于结直肠癌的细胞类型特征，也保留了造血细胞的某些特征。但在最近的预印本里，我们已经扩展到更多细胞类型。有些仍然是细胞系；我们的 T 细胞也选择了细胞系，但有些实验已经进入原代细胞。
Ci：我们做过一次 iPSC 实验。iPSC 是诱导多能干细胞。另一个实验是我们迄今为止最雄心勃勃、也最酷的筛选：一个多细胞类型的干细胞分化项目。我们在同一项实验里，把 iPSC 分化成 10 种不同的细胞类型，然后在这些细胞上做全基因组规模的扰动。你可以把它理解成：不只是生成 1 万个不同的生物学实验，而是做了 1 万乘以 10 种细胞类型，几乎是一个库对库的实验。
Ci：为什么要这样做？正如 Bo 所说，虚拟细胞还处在早期阶段。收集数据时，语境的数量、数据的多样性和丰富程度都很重要。关键不只是细胞总数或测序读数，而是每一美元带来的信息量。因此，我们不仅要扩展遗传扰动空间，也要跨越更多生物学语境扩展，让 AI 团队拿到足够丰富的数据，构建能够泛化的模型。
主持人：你说语境，但这些实验中的细胞显然已经被从原来的群体里分离出来了。我一时想不起那个术语。你们有没有考虑使用空间转录组，或者其它基于成像的技术，在细胞所处的邻近环境中进行扰动，并用这些数据构建模型？
Ci：这是个很好的问题。我们确实从几个方向思考。第一，这正是我们一开始要构建虚拟细胞模型的原因。你可能会问：既然已经可以在细胞系里做穷举筛选，为什么还需要模型？直接做实验、生成数据不就行了吗？
Ci：如果你的问题只涉及细胞系中的细胞生物学，那你说得对，至少对于基因筛选，我们可以直接做实验，不一定需要模型。但你同样说得对：好的靶点和真正有价值的生物学洞察，往往不来自细胞系，而来自原代细胞，来自器官里的原生生理语境，甚至来自多个器官共同作用后出现的涌现性质。很多免疫疾病就是这样。
Ci：你不可能在动物系统、器官或所有这些复杂的转化模型中做穷举式高通量实验。你可以做一些实验，但它们成本高、风险也高。虚拟细胞模型的价值在于：在可以规模化的地方，用海量数据训练模型；再把模型微调、迁移到复杂系统中，做高质量的因果预测。这样我们进入实验室时，就能带着质量最高的假设去验证。我认为这就是构建虚拟细胞模型的全部意义。
Bo：从 AI 这一侧说，我完全同意。未来的虚拟细胞模型应该能够整合多种模态，而不只是 RNA 表达。空间单细胞 RNA 测序现在已经是一项很流行的技术，甚至 scGPT 也有专门为空间单细胞设计的扩展版本，叫 scGPT-spatial。我们也有一些早期工作，尝试从 H&E 图像预测基因表达，其中已经能看到一些信号。
Bo：最终我预计，虚拟细胞模型不仅会整合 RNA 测序，还会整合与功能更相关的组学，例如蛋白质组学，以及其它调控层面的组学，把所有描述性组学数据结合起来，预测细胞功能的未来状态。这可能就是虚拟细胞模型的方向。
主持人：最近我们请过 Noetic 的 Ron Alpha 和 Dan Bear，他们更深入地讨论了这部分内容，想了解背景的听众可以去听那一期。不过，你们能不能解释一下什么是空间转录组和空间蛋白质组？
Ci：可以先讲一点历史。在单细胞 RNA 测序出现之前，我们有普通的 RNA 测序；在那之前，还有微阵列技术。RNA 测序和微阵列过去的做法，是取一块组织，把它全部磨碎，放进搅拌机，想象成把组织做成奶昔，然后测量这块组织里不同细胞的全部 RNA 表达水平。
Ci：这件事很重要，因为它第一次让我们能够同时测量 2 万个基因的表达。但问题是，我们不知道每条 RNA 来自哪个细胞。如果面对的是多细胞组织，这尤其麻烦。你希望把 RNA 归因给免疫细胞、皮肤细胞、成纤维细胞或角质形成细胞，但组织被打成奶昔后就无法区分。
Ci：单细胞技术让我们可以逐个细胞分析，把基因表达归因给产生它的那个细胞。但仍然有一个问题：我不知道信号在空间上来自哪里。对于很多疾病，空间位置非常重要。比如在免疫肿瘤学中，你想知道 T 细胞什么时候靠近肿瘤细胞，什么时候无法穿透实体瘤，以及这两种情况下的差异是什么。要回答这些问题，就需要空间信息，观察细胞在原位、在真实环境中的状态。
Ci：现在有很多技术可以解决这个问题。取一块组织，不再把它磨碎，而是切一片组织放在载玻片上。首先可以用 H&E 染色等标准技术测量形态；然后可以用多重免疫荧光等方法测量许多蛋白质的表达；最终还可以用最新的空间组学检测，在这些细胞的原生空间坐标上测量接近全基因组范围的基因表达。
Ci：这样你得到的不只是每个细胞的 XY 坐标，还得到前面提到的全部分子分析物。这是基因组学领域一个令人兴奋的新方向。从个人角度看，空间组学会给 AI 建模带来更多困难。以前只看单个细胞，现在还要看邻近的生态位细胞，才能学到在空间上连贯的表征。这正是当前空间基础模型面对的挑战。
Ci：但这个语境对理解疾病非常关键。比如癌症，免疫细胞与癌细胞、非免疫细胞之间的相互作用，对于空间感知的生物标志物和临床响应预测都很重要。构建这样的模型会非常重要。
主持人：回到 X-Cell，它应该也能为一个空间模型提供信息，对吧？可以先把坐标丢掉，在单细胞层面做推理；然后再创建一个更复杂的模型，让它知道每个细胞的邻居是谁。
Bo：完全正确。不过我们这次发布的版本还没有处理空间组学。我们正在进行的工作，以及 X-Cell 的下一版本，会让模型能够为不同细胞推断具有空间意识的表征。
主持人：我们已经聊了一些数据收集。现在说说架构，给听节目的 AI 工程师一些真正有内容的部分。
Bo：好。我们先回到虚拟细胞建模的历史，尤其是虚拟细胞 2.0。scGPT 为大多数单细胞基础模型打下了基础，因为我们采用了和语言模型非常相似的自回归训练。语言模型使用下一个词、下一个 token 的预测；我们模仿这种方式，用单细胞数据训练基础模型。
Bo：这样做就必须假设基因存在某种内在顺序。我们通过注意力机制来假设基因顺序。还有很多其它方法，也会使用不同的基因排序；有些很简单，比如按表达值给基因排序；有些更复杂。但无论怎样，本质上都必须假设基因有一个顺序。
主持人：需要说明的是，基因本身确实有内在顺序。基因由 ATGC 拼成一条序列，这时有顺序完全合理。但我们现在讨论的是另一种东西，也就是表达数据。表达水平只是每个基因的一个计数：测量时看到了多少个该基因。对于 DNA 序列来说，ATGC 的排列顺序有明确意义；但表达数据本质上就是一个矩阵，很难假设基因存在内在顺序。
主持人：即使把表达矩阵里基因的排列顺序打乱，生物学也不会发生太大变化。但由于语言模型的训练方式，大家都有一些预设技巧来训练这类模型，所以单细胞基础模型一开始都沿用了这种思路。
Bo：后来我很快意识到，使用扩散语言模型时，其实不需要假设基因顺序。我们可以使用双向扩散过程，生成这种长的、高维的基因表达数据集。
Bo：简单说，自回归训练像打字。比如「我喜欢咖啡」，你要先输入「我」，再输入「喜欢」，再输入「咖啡」，其中有一个内在顺序。扩散语言模型则更像编辑：先从一个非常模糊、粗略的句子开始，再不断迭代，把它修得越来越好。
Bo：对基因表达也一样。可以先生成一个非常粗略的基因表达表示，再从带噪表示逐步得到更精细的表示，不断编辑基因表达预测，直到损失最小。这是一种完全不同的生成思路，用来预测扰动后的响应；事实证明，它更适合单细胞 RNA 测序。因此，我们从类似 scGPT 的模型切换到了现在的 X-Cell，后者使用扩散语言模型。
主持人：我理解 Transformer 本质上是对集合进行操作的对象。社区花了很多时间，试图让它们具有某种因果顺序；但如果直接使用 Transformer，它其实是集合操作。既然如此，为什么要从扩散模型或自回归语言模型的角度来思考？为什么不把初始预测策略做成：取一组基因，每个基因用自己的 one-hot 编码表示，然后进行预测？这对我来说似乎是更自然的架构。我知道你们和很多人都在研究类似的方向，所以一直有点困惑，为什么社区会有这种偏好。
Bo：我认为你说的更接近表征学习：把一组基因取出来，再投影到低维潜空间。但我们要构建的是虚拟细胞的生成模型，因为我们想预测细胞的动态，所以需要生成式模型。我们主要使用只含解码器的架构，生成完整的转录组，而不是只预测一个预先定义好的、小规模的基因集合。因为我们希望建模完整的基因调控网络，而它是极高维的。
主持人：所以输入是基因加上一个扰动，输出是新的基因表达水平，对吗？
Bo：对，每一个细胞都是这样。输入包含细胞状态和扰动，模型输出受到扰动后的细胞表达状态。
主持人：我理解扩散语言模型的方式，是有点像 BERT，但反复做很多遍。这样说大致对吗？
Bo：这是对扩散语言模型工作方式的一个粗略理解。
主持人：所以你不断应用扩散过程。扩散过程基本上像不断解除遮罩、不断编辑，对吗？和图像扩散模型反复细化图像很相似，只不过这里用的是 BERT。
Bo：我相信，在正确数据上训练的基础模型或其它复杂 AI 模型，会在更困难的任务上超过线性模型，尤其是泛化任务。所以我一直强调：正确的数据集加上正确的 AI 模型，会带来巨大的提升。但整个领域仍然需要更多生物学验证，才能更有把握地相信虚拟细胞这条路线。
Ci：我也认为，这个领域缺少一致、统一、被广泛接受的基准。测量什么，什么就会被优化。在我们的论文里，我们花了很多时间思考基因表达变化相关的指标，也看到了模型在这方面真正发挥作用，例如 Pearson delta，也就是扰动后预测变化与真实变化之间的相似度。这种指标很难投机：你必须真的把变化预测对。
Ci：让我真正震撼的是，我看到模型做出预测后，把基因表达变化打印成热图，再把实际原始数据、线性基线预测、ground truth 和 X-Cell 预测放在一起。视觉上非常清楚：X-Cell 的预测比线性基线更接近 ground truth。这就是我开头说的那个「哇」的时刻。
Bo：正是如此。为什么会这样，其实不难理解。我们第一次把不止一组，而是七组全基因组 Perturb-seq campaign 放到了一起。我们这些生物学家很快注意到，有些扰动在不同语境中是通用的，也就是无论在哪种细胞类型里做实验，这些基因都会做同样的事情。
Bo：这可能并不令人意外，因为它们是 housekeeping genes，也就是管家基因；它们当然在每个细胞里做类似的事情。与此同时，还有很多基因簇具有高度语境依赖的功能，在不同细胞里会做不同的事情。
Bo：这同样不难想象。在 iPSC，也就是干细胞中，我们看到了与发育相关的基因，包括对神经元分化重要的基因；它们只在 iPSC 实验里亮起来，这完全合理。生物学非常复杂：既要捕捉语境通用的扰动效应，也要学习语境依赖的扰动效应。这样就不难理解，为什么一个复杂的非线性模型能够更好地捕捉和学习这些生物学规律。
主持人：你们的扰动一直都是单基因扰动吗？还是也有其它类型？我对调控网络的理解是，有时一个基因会做很多事情。比如我记得，雄性和雌性的分化可能只由胚胎发育第七天开启的一个基因决定，而这个基因会引起一切变化。但有时又是一个包含许多基因的网络，基因之间存在冗余，于是产生更细微的反馈机制。我可以想象，很多单基因扰动其实并不相关；你们可能需要开始使用更组合式的策略。
Ci：这是个很好的问题，Bo 和我确实思考了很多。你提到生殖生物学很有意思。我研究过雌性细胞中的补偿机制，也就是剂量补偿。雌性细胞有两条 X 染色体，雄性细胞只有一条；为了匹配 X 染色体的输出，哺乳动物细胞采用了一种策略。
Ci：一个基因会产生一条不编码蛋白质的 RNA，也就是非编码 RNA。这条 RNA 会包裹住雌性细胞的一条 X 染色体，降低那条染色体上大部分基因的表达，把它推到细胞核的一个角落里；它被称为巴氏小体，之后几乎不会再被听见。一个基因确实可以做很多事情。
Ci：但正如你所说，生物学里也存在冗余、补偿和各种机制，使得敲低一个基因不一定能看到表型。假设有四个基因冗余地完成同一件事，拿掉其中一个未必足够。
Ci：我们最初从一次只做一种细胞类型、做功能缺失型单基因扰动、只把 RNA 表达作为读出开始。现在平台正沿着这些轴扩展。今天我们用单基因扰动搭建训练 X-Cell 的数据骨架，但正在沿三个方向增长：第一，不再只看转录组，而是加入多模态数据；第二，不再只看单基因扰动，也看通路的激活和抑制，也就是打开或关闭整个基因级联反应；第三，不再只看细胞系和单一培养物，而是进入更复杂、更具转化意义的系统，包括原代细胞、类器官，甚至直接在体内做扰动筛选。
Ci：有了这些扩展，训练模型的数据会更加丰富。这也是我们把 PPI 网络作为先验知识加入模型的原因。虽然模型现在是在单基因扰动上训练的，但训练完成后，可以只在计算机里预测组合扰动：同时改变两个基因的 token，观察模型预测的响应。
Ci：当然，如果没有真实的组合扰动数据训练和校准，准确率可能还不够。但只要存在这样的模型，我们就可以开始利用计算机里的扰动生成假设。
主持人：在 AI 时代，你怎么看科学家的角色变化？你们的重点不是语言模型本身，也不是 agentic science，所以可能会有略微不同的看法。但你们仍然在构建非常具体的模型。你和你的学生是怎样维持这么高的节奏的？我猜生成式 AI 可能起了一部分作用。学术科学家的角色会怎样变化？
Bo：我名义上的时间分配是 80% 在 Xaira，20% 在大学，但现实是 100% 在 Xaira，另外还有 100% 在大学。[笑声]
主持人：你发明了时间机器，这就是答案。
Bo：我维持节奏的方式，是让实验室大量使用 agentic AI，每天监测 AI 论文。我们每周都有实验室会议，讨论 AI for Biology、AI for Healthcare 等不同主题。坦率地说，即使作为教授，我也觉得非常难跟上。AI 的发展速度实在太快了。有时我早上醒来会焦虑：天啊，这篇论文已经发表了这么多工作，那我们手里尚未发表的工作怎么办？你可以想象，学生的焦虑可能是十倍。
Bo：所以我会鼓励学生使用不同工具，保持专注，找到一个自己能够成为专家的细分领域。但在生成式 AI、agentic AI 的时代，至少对学术界来说，做科学的方式已经完全不同了。教授和学生在经费和论文速度上都感到挣扎，这也是很多重大突破来自产业界的原因，例如 AlphaFold。
Bo：学术界怎样在 agentic AI 时代生存甚至繁荣，是所有人都在思考的问题。很多教师离开大学加入产业，简单说就是因为资源。如果你在做 AI 研究，应该先问学校有没有足够的 GPU。学生加入教授实验室时，常问的第一件事也是：你们有多少 GPU？在这一点上，产业界对学术实验室有明显优势。
Bo：但学术实验室的优势，是创新速度、细分领域，以及某个具体实验室可以形成的极深专长。思考自由有时也让你更容易创新出产业界没有想到的想法。整体来说，整个领域需要更有创新性，才能跟上节奏。希望各种工具能提供帮助，也希望政府开始增加对学术界的投入，因为我仍然深信，学术界是整个领域创新的主要来源，尤其是在生物技术领域。希望我们能得到更多支持，不至于被资金压力压垮。
主持人：我完全同意。但为什么钱不应该全部流向产业界？为什么政府应该给学术界投钱？
Bo：我仍然相信学术自由的力量。这正是学术教授存在的原始动机：我们不仅教学，也做研究。教学和研究同时存在还有另一个好处：当你教授一个主题时，你必须真正成为这个主题的专家；这会迫使你持续更新知识，并找到容易向学生传达的方法。这样一来，你也会开始产生不同的创新想法。
Bo：我在多伦多大学教授一门关于深度学习和神经网络的大课，每年有 600 名学生。教学会迫使我不断更新知识，并思考怎样把知识讲给学生。通过和不同学生交流，我们也会产生很多新想法，把前沿 AI 模型应用到生物学或医疗领域的具体细分问题中。
主持人：我明白了。你们在论文里还讨论了使用大量信息做预处理。能不能讲讲这部分？
Bo：X-Cell 的另一个主要创新，是把先验知识纳入模型的方式。把生物学先验加入模型，在生物学领域一直是个好想法，因为生物学家花了几十年理解了很多知识。问题是，怎样把这些先验知识、这些关于细胞的元数据告诉模型？
Bo：在 X-Cell 之前，人们通常加入一种先验。例如用基因调控网络作为预测扰动的先验，scGPT 有时也会把蛋白质互作网络作为先验。就我所知，X-Cell 是最早尝试纳入极其多样的生物学先验的模型之一。
Bo：在预印本中，我们加入了五类先验。第一类是文献知识，最简单的做法就是让 ChatGPT 告诉我们关于某个基因的一切，再把输出嵌入成基因表示。这里用到了 GenePT。我们还加入了蛋白质互作网络，也就是 PPI；加入癌症相关必需基因信息的 DepMap；加入形态学信息；甚至加入 scGPT 的嵌入，它基本上提供了细胞类型信息。
Bo：把这些先验知识作为模型的条件之后，模型在语境特异性的预测上变得更准确。更有意思的是，通过观察不同先验的权重，我们可以理解哪些先验知识对某一类细胞更重要。这也增加了模型的可解释性。我们发现，把扩散语言模型和多样的先验结合起来，X-Cell 在未见过的语境上泛化得更好。
主持人：现在是不是必须提供全部这些语境，模型才能工作？还是说这些只是预处理，如果需要的话，模型也可以不依赖它们？
Bo：不需要在每次使用时都提供这些先验，因为它们已经作为可学习参数被写进模型了。不过，你说的另一种方式也可以理解为虚拟细胞的提示式或上下文学习。我们可以在推理时把更多条件加入先验知识，引导模型朝某个方向预测。
主持人：也就是说，模型已经利用了训练时提供的先验；训练时给过这些先验，所以模型有优势。但如果在推理时也能提供先验，就能得到额外优势。
Bo：对。
主持人：好，很棒。那么这到底有多重要？每当我看到一篇机器学习大论文把很多东西都放进去，我总想知道，真正大的增益在哪里，哪些只是小增益？这些东西带来的只是一些渐进的性能提升，还是每一项对泛化都至关重要？
Bo：这里要考虑多个因素：数据贡献了多少，AI 架构贡献了多少；即使是架构，也要看从自回归训练切换到扩散训练带来了多少增益，先验知识又带来了多少增益。所有这些都需要具体的消融实验。
Bo：根据我们的经验，数据集的质量和数量最重要。这也是我们特别激动地发布 Pisces 数据集的原因。它包含 16 种不同细胞类型、2500 万个细胞，而且是全基因组规模的。你可以从计算机的角度想象：全基因组扰动、全基因组转录组、细胞数量、条件数量，这组合起来就是一个巨大的张量。
Bo：由于采用了后筛选技术，我们没有批次效应。这一点已经是很大的优势，因为模型不需要先爬过批次效应这座山。我们发现，在高质量扰动数据集上训练，本身就给模型带来了很大的提升。
Bo：我们还做了消融实验：把现有的虚拟细胞模型，包括原始 scGPT 等，都放在同一个数据集上训练，比较差异，并在论文里报告了结果。我们发现，从自回归训练切换到扩散语言模型，在更困难的任务上，尤其是泛化到未见任务时，带来了明显提升。
Bo：先验知识或多或少取决于具体语境。对某些细胞类型，某些先验知识会带来很大差异；对另一些细胞类型，增益就比较边际。我们还在思考如何更好地加入先验。我们仍然相信，让模型了解大量既有生物学知识会有帮助，但也许通过交叉注意力加入先验的方式限制了元数据的作用范围。
Bo：如果必须给出一个优先级，我会把数据集的质量、数量和规模放在第一位，然后是模型架构，最后是先验知识。当然，这只是对 X-Cell 的经验；不同架构的贡献排序可能不同。
主持人：首先，这个模型非常有意思。我希望大家都有机会看看论文。显然，完成它投入了大量资源。我不知道你们能不能透露具体规模，但运营湿实验室很复杂，训练运行也很复杂。你们做的是一个 49 亿参数的模型，对吗？
Bo：49 亿参数。
主持人：也就是接近 50 亿参数的模型。训练它可能需要很多 GPU。和把钱投入湿实验室工作、投入传统药物研发流程相比，这样做带来了什么增益？传统流程基本上一直是行业现状。
Ci：生物学是一个多尺度学科。最底层是 DNA 序列，然后是细胞、多细胞组织、共培养系统、组织、动物系统，最后是人类。我们希望最终能在这个谱系的右侧做因果预测，知道哪些药物对哪些患者有效。但越往右，数据越难获取。
Ci：所以虚拟细胞的整体愿景，是在能够生成数据的地方生成数据，然后把因果预测能力转移到右侧，也就是更具转化意义、更复杂的系统。你当然可以挖掘我们已经生成的数据。正如 Bo 所说，七组筛选、16 个不同的生物学语境、全基因组扰动，里面已经有很多好想法。
Ci：预印本里有一张图，展示了 T 细胞失活。我们已经看到了已知生物学，例如 TCR 复合体；也看到了很有潜力的新生物学，我们很期待在实验室里验证。其中一些结果还被旧金山湾区 Alex Marson 实验室去年 12 月发布的一项新筛选捕捉到了。看到这一点非常令人兴奋。
Ci：但希望不只是挖掘已有数据，而是让模型能够泛化，在未来做计算机里的实验。以前没有人知道，需要多少数据、什么类型的数据，才能做到这一点。整个领域都在等待一个示范：模型能够在扰动预测中超过线性基线，并且能够泛化到训练数据之外，而不是只在模型见过的细胞系内部泛化。只有这样，我们才真正需要模型。
Ci：这也是为什么我们在这篇预印本中看到泛化能力的几个示范，会非常激动。我们先在 T 细胞中做了实验，而且是专门为这个目的生成数据。我们生成了 resting T-cell 的扰动筛选，也就是处于基础状态、尚未激活的 T 细胞；同时有 activated T-cell 的扰动数据。
主持人：T 细胞激活，是不是意味着它要去杀死某个东西？
Ci：不完全是。这些是调节性 T 细胞。我们激活的是它们的受体，让它们开始增殖。
主持人：它们变得更活跃，开始执行生理功能。
Ci：对。关键在于，我们只在 resting T-cell 上训练模型。然后告诉模型：这是 activated T-cell 的样子，请预测所有扰动在这个 activated T-cell 中会怎样发挥作用。模型从来没有见过扰动在活化 T 细胞中的结果。
Ci：我们设置了几项严格测试。第一种是线性基线：取 resting 状态下的扰动差值，再把这个差值线性地转移到 activated T-cell 上。你可以把它理解成一个组合扰动预测问题：一个扰动是激活细胞，另一个扰动是所有基因组扰动。能不能简单地把两个效应线性相加？这就是线性基线。
Ci：第二种是应用领域里的其它模型；最后是 X-Cell。X-Cell 没有见过 activated T-cell，却能做出准确预测。它不仅能准确预测已知生物学，例如 TCR 复合体的作用，预测这些扰动会让 T 细胞失活，这正是我们预期看到的结果；它还准确预测出筛选中发现的、具有潜力的 T 细胞失活因子。这对我们来说非常令人兴奋，说明虚拟细胞模型可能完全在未见语境中工作，并预测新的生物学。我们很期待在实验室里继续验证这些线索。
Ci：还有几个案例也显示了令人兴奋的泛化能力。还记得我们的多细胞类型 iPSC 分化实验吗？在那里，我们专门把一个细胞类型从训练集中留出来。模型在其它细胞类型以及剩余数据上训练，但在这个未见过的细胞类型上，对数千个基因、数千个扰动都做出了很好的预测。这再次说明模型能够跨出训练细胞类型泛化。
Ci：最后一个实验也很令人兴奋。我们只在一个 T 细胞系上训练模型，但最近 Alex Marson 实验室发布了原代 T 细胞的 Perturb-seq。这是一项了不起的工作，在原代细胞上做如此规模的筛选并不容易，只有很少的实验室具备这种能力。相比之下，在 T 细胞系上操作容易得多。但 X-Cell 在一个 T 细胞系上训练后，能够泛化到来自多个供体的原代 T 细胞实验，并做出准确预测。
主持人：所以他们扰动的是原代细胞，不是细胞系？
Ci：对，是从供体采集的原代 T 细胞。这个实验包含多个供体，而只在一个 T 细胞系上训练的 X-Cell，能够对多个供体的原代 T 细胞实验做出预测。
主持人：这验证了整个理论，对吗？你们可以在某些稍微奇怪的细胞上训练，只要足够覆盖这个领域，就能预测真正来自人的细胞。
Bo：正是如此。构建虚拟细胞不是为了取代生物学实验。正如你说的，虚拟细胞的圣杯，是让模型泛化到更难、甚至不可能直接做生物学实验的未见语境。
Bo：目前 X-Cell 主要聚焦细胞和细胞系，最终希望扩展到更复杂的生物系统，例如动物、类器官，最后是患者和人类生物学。记住几个数字：90% 的疾病没有治愈方法；大多数药物在患者的三期临床试验中失败；三期试验的成功率低到只有 5% 到 10%。
主持人：三期意味着什么？
Bo：是患者试验的最后阶段。
主持人：也就是从二期的毒性观察推广到三期的有效性，对吗？从小规模队列推广到更大规模的队列。
主持人：等等，毒性是其中一部分，对吧？小规模队列……
Bo：对。虚拟细胞的承诺，是建立一个学习全部因果生物学的模型，最终能够预测患者的响应。这样，对于某种药物，我们就能选择最合适的患者来开展临床试验。这是长期愿景，但我们已经看到一些早期希望：在多样化因果数据集上训练的 X-Cell，已经能够泛化到一些未见过的细胞类型。当然还需要大量实验来验证和持续微调模型，但我们确实看到了早期信号。
主持人：你刚才说到线性模型，这让我想到那个著名或臭名昭著的 ARC 挑战。关于扰动预测，一直有一个问题：复杂基础模型常常无法超过线性基线。我想听听你们的看法。你们过去的一些模型可能也曾经难以超过线性基线。现在的数据策略有什么不同？这个领域接下来会怎么发展？基础模型、虚拟细胞模型和简单基线各自扮演什么角色？
Bo：首先，过去那些基准测试通常是在重复实验数据集上进行的，而这些数据集很小。人们报告的指标主要是 MAE，也就是平均绝对误差。单细胞数据非常稀疏，所以预测细胞平均表达可能是一个很好的局部最优；有时细胞平均表达的 MAE 甚至比被当作 ground truth 的技术重复还低。这本身就说明这个指标并不可靠。
Bo：此外，那些基准测试比较的基础模型，通常是在静态表达数据上训练的，例如 CELLxGENE 或 scGPT。我们在内部也发现，就 MAE 而言，scGPT 有时无法超过线性模型，原因正是刚才说的这些。
Bo：X-Cell 与这些静态表达模型的区别，是它不在基因表达数据上训练，而是在海量全基因组扰动数据上训练，因此学到了更多干预动态。在预印本里，我们也广泛地与线性模型比较。正如 Ci 提到的，线性模型完全无法扩展到未见过的细胞类型，你很快就能理解为什么。
Bo：我每年都要更新课程幻灯片，也要阅读大量材料来更新自己，好把知识传达给学生。这就是我保持更新的方法。每当有新的技术转变，我都会记得及时更新课程：比如 GPT-2 出现后，我们更新课程；不同语言模型出现后，我们更新课程；多线程 GPU 通信在大规模神经网络训练中如何使用，也会成为新的内容。我强迫自己持续更新模型。通过和不同学生交流，我们会产生很多新想法，把前沿 AI 模型应用到生物学和医疗领域的具体细分问题中。
Bo：这可能是加拿大学术体系比较特殊的地方。作为大学教授，我们也能接触很多产业界很难获得的医疗数据集，原因包括法律和监管限制。你会看到我们通过加拿大的学术医院发表的一些论文，例如为超声图像开发先进的基础模型。这就是我所说的学术思考自由，它确实会推动很多产业界难以想象的创新。也许这带有偏见，但我仍然相信，保留一定程度的学术思考自由，会带来很多产业界无法产生的创新。
Ci：我百分之百同意 Bo。只看我们实验室的工作流程，很多工作也是建立在最初由学术界开创的创新之上。CRISPR 是学术界发现的；CRISPR 应用于哺乳动物的高通量筛选，最初也在学术界得到展示；单细胞 RNA 测序，包括液滴封装的单细胞 RNA 测序，也最初由学术界展示，之后不同公司才把它们发展成商业产品。
Ci：把这些技术放在一起做 Perturb-seq，最早也由学术界开创，包括 Chris Box 实验室、Jonathan Weissman 实验室、Eval 实验室，以及许多学术界先驱。特别是在实验室一侧，这种创新往往需要很长时间，发现过程也可能非常偶然，所以也许不适合完全由产业界承担。但当方法显示出早期希望之后，把它们扩展、变得稳健，并生成不仅规模巨大而且质量很高、适合 AI 规模训练的数据，我认为产业界非常擅长这件事：无论是思维方式还是能够投入的资源，都能提供学术实验室有时难以匹配的支持。
主持人：Xaira 一直很慷慨地发布数据集和模型，看起来也非常重视开放科学。结合你们刚才谈到的内容，以及虚拟细胞和人类生物学最重要的数据策略，你们认为学术界接下来应该做什么？Xaira 现在的预算可能相当于几十甚至几百个生物学实验室。如果你是一名学术研究者，尤其是在湿实验室工作的教授，你会把重点放在哪里？
Bo：首先，我是开放科学的坚定支持者。这也是我们在这里谈到的所有模型和数据都开放源代码的原因。你可以在我实验室的 GitHub 上找到数据和模型权重。
主持人：非常完整。
Bo：谢谢。我支持开放科学，是因为正如 Ci 提到的，学术实验室很多时候从一个想法开始，做出原型；它没有规模，也未必是一个好产品，而产业界可以把它扩展起来。这也是为什么 scGPT 很快成为制药公司广泛使用的单细胞基础模型之一，这让我们非常受鼓舞。因此，Xaira 也开始开放部分数据集和模型。
Bo：其中一个原因是，虚拟细胞还是一个非常早期的领域。现在保留某些数据集或模型，并不会真正帮助任何人。更好的双赢方式是：这个领域里的每个人一起贡献数据，一起贡献模型，交换想法，让领域以更快的速度向前发展。
Bo：蛋白质领域已经有成功的例子。因为有 PDB 这样的开放资源，我们才有 AlphaFold、RoseTTAFold 等模型；这些模型也开放源代码，所以研究者能够快速迭代不同模型。正因为如此，蛋白质领域出现了繁荣。我们希望对虚拟细胞做同样的事情：把数据集放在一起，建立生成高质量数据集的统一标准和协议，把资源放在一起，生成下一代虚拟细胞模型。
Bo：说到学术实验室，Ci 可以谈谈湿实验室的学术研究者怎样生存。但从干实验室角度看，我鼓励大学里的 AI 研究者开始和产业合作，这样他们可以获得更多资源来发展自己的想法。
Bo：在 agentic AI 时代，现在每个人都可以写代码。因此，更重要的是对项目有正确的品味，不要毫无目的地燃烧 token。我们希望学术学生和教授有更高的研究品味，充分利用 agentic AI。
主持人：作为教授，你的工作显然是形成品味。但在一个大量思考过程都可能外包给大语言模型的世界里，学生怎样形成品味？过去人们会被迫反复碰壁，从艰难经历中学会判断；现在似乎不再有这样的过程。
Bo：这就是为什么我们仍然需要学术训练。你进入一个自己一无所知的领域，希望毕业时成为这个主题的世界级专家。你必须经过不同的项目，和同伴、教授交流，先形成对什么是好研究的判断。
Bo：更重要的是，我总是教学生，学习一件事最好的方式就是把它编程出来。通过编程，你会知道论文里数学公式背后隐藏的细节，而这些细节往往会被省略。但在 agentic AI 时代，情况略有不同：过去我们花大量时间写代码，花少量时间调试；现在让 agent 完成大部分编码，我们把大部分时间花在调试上。这很有意思。实验室里也经常讨论，怎样发现 AI 写出的代码中的 bug。
Bo：你需要找出 AI 特别擅长的地方，也要找出 AI 仍然受限的地方，这同样需要很多经验。最后，你仍然必须用真实世界的证据验证模型。因此，和湿实验室、临床团队合作，用真实验证给模型提供反馈信号，对于形成判断力来说非常重要。
Ci：从湿实验室一侧看，学术界有极其重要的角色。我认为我们会进入一个协同创新、思想交叉的时代，就像 AI 领域发生的那样。学术界一直在产生很好的想法，而产业界也越来越多地贡献架构等方面的新想法。
Ci：在实验室一侧，产业界似乎很擅长扩展这类数据生成流程。但生物学远不止基于细胞的 Perturb-seq。除了 RNA 测序，我们还想规模化测量其它分析物：蛋白质、代谢物、脂质、蛋白质互作。我们想超越单个细胞，规模化测量细胞之间的相互作用；测量空间中的细胞及其原生环境；甚至在整个动物层面做体内扰动。
Ci：怎样把这些都规模化，仍然需要学术界的大量创新。就在上周还有一篇很好的论文。所以，我们要怎样把这些方向连接起来？我认为，要真正破解所有生物学的数据生成问题，还有很多年的工作。我们需要产业界提供规模化、工业化和创新，也需要学术界提供这些能力。两边一起，才能把这个领域推进到下一阶段。
主持人：我们一直在问每位嘉宾一个问题。你所在的领域可以叫 AI，也可以叫高通量实验，或者你愿意怎样定义都可以。如果你能挥动魔法棒，移除一个瓶颈或解决一个关键问题，你会选什么？
Ci：蛋白质。
主持人：好。
Ci：如果有办法像做基因组学那样，规模化进行蛋白质测序或蛋白质测量，那就太棒了。我受过基因组学训练，如果有这样的技术，我会立刻把它纳入工作。RNA 很神奇，它会预示哪些蛋白质将要生成，但蛋白质总体上才是细胞的功能单元。
Ci：蛋白质的丰度很重要，翻译后修饰很重要，它在细胞中的定位也很重要。如果我们能规模化测量所有这些东西，包括构象状态、修饰、丰度和定位，无论是单细胞层面还是空间层面，这样的数据集会非常适合训练下一代基础模型。这个方向已经有很多创新，我迫不及待想看到它成熟。
Bo：我希望看到测序技术取得突破。不只是降低成本，而是能够在不同时间点对同一批细胞进行测序。现在这方面非常欠缺，因为要测序一个细胞，通常必须杀死它。我们能不能有一种技术，在不同时间点测量同一批细胞的状态？
Bo：这会给数据集带来完全不同的维度，让我们可以开始测量细胞的时间动态。到目前为止，我们测量的一切、建模的一切都极其静态。如果有技术能在不同时间点测量同一批细胞的不同响应，就会解锁巨大的机会，让我们能够建模细胞的动态。对我来说，这才是真正的虚拟细胞。
主持人：这是个非常有意思的想法，我以前完全没想过。即使只是基因的一小段，或者少量转录本的 3' 区域，也可以吗？
Bo：可以先从一小组基因面板开始。但既然我们现在谈的是魔法棒，最终，如果有一个系统能观察细胞在不同时间点如何演化，并且有足够的数据真正建模这种发育过程，那才是真正的虚拟细胞建模。
Ci：已经有一些小规模尝试。比如从细胞中吸出一部分内容，近似于对细胞做活检，测量一部分细胞质；这可能和你说的想法类似。还有公共实验室让细胞分泌小囊泡，再从细胞培养基中收集它们，纵向测量细胞产生了什么。
Ci：但目前还没有一种技术，能够在保持细胞存活的同时，测量完整的细胞转录组。你不能既保留蛋糕又把它吃掉。
主持人：是的。[笑声]
主持人：很棒。谢谢你们抽时间和我们聊天。这次讨论很精彩，我学到了很多，也非常感谢你们对开放科学的投入，以及你们发布的模型和数据。还有什么最后的想法，或者希望听众知道、之后继续关注的事情吗？
Bo：总的来说，虚拟细胞是一个非常新、发展非常快的领域。我们希望越来越多的人加入。我们的 X-Cell 论文已经发布，期待收到大家的评论和反馈。我们也在招聘。
Ci：我们一直在寻找优秀的工程师、技术专家、生物学家、药物研发人员、AI 科学家和计算生物学家。可以去 Xaira 官网查看开放职位，我们很愿意和大家交流。
主持人：谢谢，谢谢你们。
主持人：太好了，谢谢。
Comentar
Inicia sesión para comentar.