From Cell Atlases to AI-Designed Experiments — Fabian Theis, Helmholtz Munich

Fabian Theis 用 3.5 亿个细胞、16 个物种训练虚拟细胞模型，还做出"反向生成器"Lab Compass：给定目标细胞状态，反推该做什么实验。

虚拟细胞被吹了好几年，一批基准测试却泼冷水：很多花哨的深度模型打不过线性回归。Theis 既承认这个尴尬，又给出翻盘路径——把"细胞状态"和"对细胞做了什么"拆开建模。这期把虚拟细胞卡在哪、下一步怎么走讲得比大多数综述清楚。

Theis 先把概念拆干净：一个细胞就是一条两万维的向量，记录哪些基因被读出来、读了多少，这就是转录组。

• 扰动就是给细胞加输入：CRISPR 敲掉一个基因是最猛的一种，更常见的是药物、培养基、邻近细胞发来的信号，甚至时间流逝。
• 虚拟细胞 = 世界模型：普通模型是"输入细胞状态，输出预测"；虚拟细胞是"输入细胞状态 + 一个动作，输出下一个状态"，和强化学习里的世界模型是同一个东西。
• 数据终于够用了：过去扰动空间极稀疏，只有"对照 vs 疾病"两三个点；现在一次实验能测 1000 万条转录组、上百个细胞系做全基因组 CRISPR、上千种药物成批加进去。

早期虚拟细胞论文很热闹，但一批基准测试发现：简单线性模型经常不输，甚至更好。

• 细胞类型预测至今仍是逻辑回归的天下：Theis 五六年前就写过标题直白的论文《预测细胞类型不需要深度学习》，只有跨器官时非线性才真正加分。
• Arc 研究所的"虚拟细胞挑战赛"是转折点：去掉刷榜漏洞后，真正赢的模型用的是流匹配（一种逐步把噪声推成目标分布的生成方法），说明复杂任务确实需要非线性。
• 他们的解法是拆成两步：先用 SE Concept 对比学习模型学细胞表征（Hugging Face 上已放出 3.5 亿细胞、16 物种版本），再用 Cell Flow 流匹配模型学"扰动如何推动状态"，后者已被 Nature Methods 接收。

Theis 说过去论文常常止于一个模型加一张概念图，然后大家开下一个项目，知识不累积。

• Lab Compass 是反向生成器：有了正向世界模型后，你告诉它"我想要细胞到达某个状态"，它反推你需要施加什么扰动。
• 终极目标是把整个闭环用强化学习跑起来：模型提出实验、实验数据回流、模型更新，Theis 自己承认"有点远，但在慢慢靠近"。
• 器官芯片是下一个数据源：他们正在做类器官扰动——培养皿里会跳动的心肌团块、能互相连接的迷你脑，比单一细胞系更接近真实生理，但如何建模尚无共识。

"我们总跟学生说：我知道你想上最花哨的深度学习，但请先把基线做出来。"

• 做生物/科学类 AI 产品时，把"学表征"和"学动作效果"拆成两个模型分别迭代，比端到端硬训一个模型更容易定位问题、也更容易复用表征。
• 评估体系本身就是护城河：Arc 挑战赛证明，指标设计不当会让线性基线"赢"掉真模型；自建 benchmark 时先检查有没有可被刷榜利用的漏洞。