🔬因果模型需要因果数据——Xaira 的 X-Cell 模型（Bo Wang、Ci Chu）
摘要
Xaira 的核心论点，是通过端到端连接3套 AI 系统，让药物发现更像工程学。 蛋白质设计为此前“不可成药”的靶点提供分子，X-Cell 预测干预如何改变细胞生物学，患者表征模型则旨在识别哪些患者会响应。其野心不只是更快发现靶点，而是把从靶点识别到 III 期试验这条路径上的“试错和猜测”，变成更系统化的流程。
本期最核心的技术主张是：因果模型需要因果训练数据，而不是规模越来越大的观察性细胞数据集。 静态表达谱可以显示基因 A、B、C 同步变化，却不能单凭这一点确定谁调控谁；因此，现有基础模型在扰动任务上往往无法击败线性基线。Xaira 的答案是7轮覆盖全基因组的 Perturb-seq 实验，涵盖16种生物学背景，并在严格过滤后保留2500万细胞：“观察性数据不足以真正学习因果关系。”
Xaira 的湿实验系统可能和其49亿参数模型同样重要。 混池 CRISPR 扰动在数亿细胞中沉默基因，单细胞 RNA 测序则记录转录组的下游变化；条形码让研究人员无需面对逐板批次效应，也能追溯每个扰动的身份。真正的运营护城河在于把学术实验工业化，包括足够早地固定细胞，避免处理过程引入应激。
X-Cell 用迭代扩散取代了基因表达值不自然的自回归排序，并在训练中引入5类生物学先验知识。 模型反复将带噪的转录组预测编辑为更精细的响应，同时利用文献衍生嵌入、蛋白质相互作用、DepMap、形态学和 scGPT 嵌入提供上下文。讨论给出的重要性排序是：数据质量、数据量和规模第一；架构第二；先验知识第三。
最有力的证据不是分布内基准上的渐进式提升，而是跨背景泛化。 X-Cell 只在静息 T 细胞的扰动数据上训练，却预测了激活后的扰动效应；它还预测了留出的 iPSC 衍生细胞类型，并将 T 细胞系上的结果迁移到来自多名供体的原代 T 细胞。这支持了其目标用例：在可大规模筛选的地方学习，再把预测迁移到实验昂贵或无法开展的生物学背景中。
线性基线之争的关键，在于基准测试衡量的是平均表达，还是生物学上真正重要的干预诱导变化。 稀疏的单细胞数据可能让平均表达谱在平均绝对误差指标下显得异常强，有时甚至超过技术重复；Xaira 则强调预测表达变化与实际表达变化之间的相似度。Chu 所说的“惊艳时刻”，只是把原始数据热图对齐后直观看到：X-Cell 明显比线性预测更接近真实结果。
这套平台仍是早期的细胞脚手架，还没有证明能够解决临床失败问题。 Wang 提到，90%的疾病没有治愈方法，III 期成功率可能低至5%–10%；但 X-Cell 尚未建模患者、器官或细胞的纵向动态。嘉宾认为下一步应推进多模态和组合扰动、空间背景、蛋白质尺度测量，以及对同一个活细胞进行重复测量；后者正是 Wang 对“真正虚拟细胞”的定义。
精读
1. Xaira 正在把3个平台连接成一条药物开发闭环
Chu 将 Xaira 描述为一家 AI 制药发现公司，最终交付物必须是治疗药物，而不是模型基准成绩。公司的3个平台分别是蛋白质设计、用于预测生物学响应的虚拟细胞，以及旨在将治疗药物匹配给响应者的患者表征模型。
蛋白质设计源自联合创始人 David Baker 的团队，解决的是“如何制造分子”的问题；X-Cell 解决遗传干预——以及潜在药物——会对细胞产生什么影响；正在形成的患者层则负责完成转化。Chu 希望三者共同把一个“手工作坊式的试错”过程“越来越变成一门工程学科”。
Wang 认为差异化在于连接层：靶点预测应优先选择适合蛋白质工程的机会，细胞模型则应连接到具备临床实用价值的患者数据。因此，Xaira 试图把 AI 应用于从靶点识别、分子设计到 I–III 期试验的全流程，同时降低失败率和研发周期。
2. 细胞表征还不是虚拟细胞
Wang 将“1.0版虚拟细胞”追溯到大约20年前：当时研究人员试图用拟合观察数据的微分方程来编码生物通路。他认为这条路线基本没有成功，因为生物学“复杂到根本不可能写进几组预先定义的微分方程”。
数据驱动的复兴伴随着语言模型而来。Wang 在多伦多的实验室大约在 ChatGPT 发布4个月后推出 scGPT，用一个基础模型完成批次整合、多组学对齐等任务。2.0版虚拟细胞的核心直觉变成了：“如果我们无法描述，那就学习它。”
但 Wang 不愿把基础模型等同于虚拟细胞。基础模型主要提供有用的语义表征；真正的虚拟细胞必须建模干预和动态，可能还包括随时间发生的发育过程与空间变化。“基础模型其实只是起点。”
3. 观察性表达数据无法识别生物学方向
Chu 的因果数据论证从3个相关基因开始：如果 A、B、C 同步上升，可能是 A 调控 B 和 C，也可能是 B 调控 A 和 C，或者某个未观测因素同时驱动三者。许多彼此不兼容的调控结构，都可以解释同一组描述性数据。
这解释了为什么在大型观察性图谱上训练的模型，擅长批次协调、技术校正等描述性任务，却经常无法在反事实问题上击败线性方法：“如果我对细胞做了这件事，接下来会发生什么？”
Chu 认为，蛋白质建模建立在超过70年的结构和序列整理数据之上，而虚拟细胞和患者响应建模缺少同等质量的数据。尤其当患者样本的分子图谱必须与临床注释和治疗响应匹配时，数据更为稀缺，因此 Xaira 选择先自行制造因果细胞数据。
4. Perturb-seq 将混池实验变成全基因组因果矩阵
Perturb-seq 将混池 CRISPR-Cas9 扰动与单细胞 RNA 测序结合起来。一条轴记录约20,000个基因中哪一个被抑制，另一条轴记录整个转录组的表达如何变化，由此形成 Chu 认为在结构上类似蛋白质结构数据集的丰富二维训练数据。
每个细胞都会获得 Cas9 和一条 guide RNA，后者的序列将这套机制引导至某个基因的启动子。guide 同时充当地址和可追溯条形码：研究人员可以将数千种扰动混在一个池中，再通过测序推断每个细胞究竟沉默了哪个基因。
在读出轴上，单细胞 RNA 测序会测量每个细胞约20,000个基因的表达。两项技术结合后，研究人员无需运行20,000块独立培养板，就能在大量细胞中敲低基因，并观察其对其他每个被测基因的影响。
规模化带来了第二个科学问题。Xaira 可能需要处理数千万乃至数亿个细胞，才能在最严格的过滤条件下留下2500万细胞；新鲜细胞流程横跨14小时，可能在细胞中引入应激信号。现在，化学固定会尽早锁定细胞状态，支持错峰处理，并减少批次效应。
5. 生物学多样性比堆积原始细胞数量更重要
Chu 纠正了 Xaira 从干细胞起步的说法。最初的数据集使用了两种容易扩增的永生化细胞系，其中一种源自癌症，捕捉了结直肠癌和造血细胞衍生类型的特征；之后的实验扩展到 T 细胞系、原代细胞和诱导多能干细胞。
最具野心的一次筛选在一项不受限制的实验中，将 iPSC 分化成10种细胞类型，再对它们进行全基因组扰动。该实验相当于把一个约10,000项实验的库复制到10种细胞类型上——“一个库中之库的实验”。目标不是单纯追求测序读数，而是最大化“每美元获得的信息量”。
主持人追问孤立细胞遗漏了什么：邻近细胞、组织结构和多细胞生理。Chu 同意，全面筛选不可能在器官、动物或每一种转化模型中运行；模型的作用，是从可扩展系统中学习，再为昂贵的生理实验生成质量更高的假设。
空间测定会在测量形态、蛋白质或全基因组表达的同时保留细胞的 x-y 位置。当前版本的 X-Cell 尚未建模这类信息，但 Wang 表示下一版本将推断具备空间意识的表征；从长期看，他预计虚拟细胞会结合 RNA、蛋白质组学、其他调控组学和成像数据。
6. 扩散比下一词预测更适合无序的表达数据
早期单细胞基础模型借用了自回归语言模型训练方式，要求像排列单词一样排列基因。Wang 认为这是类别错误：DNA 碱基具有有意义的序列，但表达谱本质上是一个基因计数矩阵，打乱列的顺序并不会改变其中的生物学。
X-Cell 改用扩散语言模型。Wang 的类比是：从左到右输入“I like coffee”，就像逐字打字；而扩散模型则像反复编辑整句粗糙的句子。模型从一份带噪表达谱开始，持续迭代完善，预测损失也会随着扩散步骤继续下降。
主持人将输入输出接口压缩到最基本的形式：输入包括细胞背景和一种扰动，输出是细胞全范围的表达谱。Wang 强调生成式、仅解码器架构，因为 Xaira 想要的是完整的高维转录组，而不是一组预先定义的小型基因面板的预测。
7. 生物学先验有帮助，但大部分增益来自因果数据集
X-Cell 在训练中引入5类先验信息：通过 ChatGPT 生成、再嵌入 GenePT 的文献衍生基因描述；蛋白质相互作用网络；DepMap 的癌症必需基因信息；形态学；以及编码细胞类型背景的 scGPT 嵌入。
这些先验会变成模型参数，因此用户在推理阶段无需再次提供。系统也可以通过类似提示词或上下文学习的方式接受额外条件，而不同知识源所获得的权重，还能帮助解释某个先验对特定细胞类型究竟有多大作用。
当被问到“最大 alpha”在哪里时，讨论给出了清晰排序：数据质量、数据量和规模最重要；从自回归转向扩散能带来显著改善，尤其是在未见过的背景上；先验知识排在第三位，而且效果取决于具体条件。有些细胞类型受益明显，另一些则只有边际提升。
8. 跨背景迁移正是 Xaira 构建系统要验证的结果
本期否定了虚拟细胞应取代那些本来就容易开展的实验这一想法。它的目标是将因果知识迁移到原代细胞、组织、动物，最终乃至人类：“在可以的地方生成数据”，并预测那些无法进行全面干预研究的场景。
在 T 细胞测试中，Xaira 使用静息调节性 T 细胞的扰动数据训练模型，然后输入激活细胞的未扰动表达谱，要求模型预测所有激活状态下的扰动效应。X-Cell 在没有看到激活背景扰动数据的情况下，恢复了预期的 TCR 复合体生物学，并找到了可能的失活靶点。
在分化 iPSC 实验中，Xaira 将一种完整的细胞类型从训练集中留出。模型仍然在数千种扰动和基因上给出了强预测，说明它实现的是跨细胞类型迁移，而不是在同一背景中对已观测扰动进行插值。
第三项测试从 T 细胞系迁移到 Alex Marson 实验室最近发表的原代 T 细胞 Perturb-seq 数据。X-Cell 在细胞系而非供体细胞上训练，却对来自多名供体的原代细胞做出了准确预测，这是本期对“在可扩展但并不完美的代理系统上训练”最直接的验证。
9. 线性基线能赢下弱基准，却解决不了迁移问题
主持人提到这个领域“著名或臭名昭著”的扰动挑战：复杂基础模型经常无法击败简单的线性基线。Wang 承认，在静态表达数据上训练的 scGPT 及类似模型，在平均绝对误差指标下可能落败，尤其是在规模较小的 Replogle 数据集上。
单细胞矩阵高度稀疏，因此预测平均表达谱可能在 MAE 上取得最优，却没有捕捉干预生物学；Wang 指出，即便把技术重复视为真实标签，平均表达有时也能得到更高分。Chu 强调，应使用比较预测表达变化与实际表达变化的指标，包括对扰动变化计算 Pearson 相关系数。
Chu 的决定性检查是视觉对比：将真实结果、线性外推和 X-Cell 的热图并排排列。“视觉上非常清楚”，X-Cell 更接近真实变化，因此这个结果对生物学家是直观可读的，而不依赖某一个汇总分数。
7轮全基因组筛选也揭示了非线性的必要性。管家基因扰动可能在不同背景中普遍有效，而发育基因或神经分化基因则只会在 iPSC 中特异性激活。一个有用的模型必须同时学习不变效应和细胞特异性调控；简单移植某个扰动变化无法兼顾二者。
10. 单基因筛选是组合生物学和临床生物学的脚手架
主持人质疑，单基因敲低是否会遗漏冗余网络。Chu 表示同意，并以 X 染色体剂量补偿说明单个基因的影响力：一条非编码 RNA 会包裹女性的一条 X 染色体，抑制其大部分区域并使其成为 Barr 小体；但在其他系统中，可能需要同时关闭多个冗余基因，表型才会出现。
Xaira 正沿3条轴线扩展：从转录组学走向多模态读出；从单基因功能缺失走向通路激活和抑制；从单一培养细胞系走向原代细胞、类器官、更复杂的转化系统，以及直接在体内开展扰动筛选。
X-Cell 可以通过同时扰动两个基因 token 来模拟组合干预。Wang 保留了明确的限制条件：如果没有真实的组合训练数据，“准确率可能达不到要求”，所以这些计算结果目前只能用于生成假设，还不是经过验证的预测。
Wang 用一组刺眼的数字描述最终目标：90%的疾病没有治愈方法，他还引用了低至5%–10%的 III 期成功率。“圣杯”不是取代生物学家，而是泛化到原本无法研究的背景中，最终找出最可能对某种治疗药物产生响应的患者。
11. 开放科学将优势转向执行力、判断力和测量能力
Wang 描述了自己不可持续的时间分配——名义上是 Xaira 80%、大学20%，“实际上是 Xaira 100%，这个也是100%”。智能体可以帮助监测论文和编写代码，但节奏仍让他焦虑；学生花在编码上的时间越来越少，花在寻找 AI 生成的 bug 上的时间越来越多。
他给研究人员的建议是“品味”：选择真正重要的问题，深入理解实现方式，不要让智能体“毫无目的地烧 token”。产业界拥有 GPU 和规模；学术界仍保有自由度、细分领域专长、教学带来的更新，以及一些公司难以直接获得的医疗数据集。
Wang 为开源辩护，因为虚拟细胞科学还处于早期，封闭数据集无法最大化进展。他希望共享数据、统一质量标准，并形成类似 PDB、AlphaFold 和 RoseTTAFold 所构建的蛋白质生态；学术实验室可以发明实验方法，产业界则负责将其做得更稳健、更具规模。
湿实验讨论强调，生物学远不止基于细胞的 Perturb-seq：研究人员希望大规模测量蛋白质、代谢物、脂质、蛋白质相互作用、空间细胞间相互作用，以及全动物扰动。他们认为真正的魔法棒瓶颈在测量能力，而不是更大的模型。湿实验方面的优先事项是达到基因组尺度的蛋白质测序，包括丰度、修饰、构象和定位；Wang 则希望对同一批活细胞反复进行转录组测量。即使只是一个小型纵向基因面板，也会有所帮助；完整且无损的转录组则能以“真正的虚拟细胞”实现时间动态。