摘要

Squidiff 将一个细胞包含 30,000–60,000 个基因的表达状态转化为软件对象，让研究人员在投入稀缺的湿实验资源前先进行扰动。 该系统联合训练语义编码器和 DDIM 扩散模型；Siyu He 明确纠正了原始描述——「其实并不是 VAE」（it’s not actually the VAE）——并表示，一个约 5,000 个细胞的数据集大约 15 分钟即可完成训练。这个架构说明，为图像生成开发的技术同样可以迁移到连续生物状态建模。
短期回报在于更好地选择实验，而不是实现自主生物学。 一些类器官需要数月培养，脑类器官甚至需要「1 年甚至更久」，而获取单细胞 RNA 数据至少需要 1 周；Squidiff 可能在大约 1 小时内生成另一种条件。Siyu He 警告不要完全信任模型：它的价值在于对生长因子、药物和基因扰动进行初筛，让固定的湿实验流程能够运行信息量更高的实验。
Squidiff 承重的技巧是语义向量运算，承重的风险则在于生物学并不线性。 通过比较同一细胞类型中的基线细胞和扰动细胞学到的扰动方向，可以迁移到另一种细胞类型，类似熟悉的「man 到 woman」嵌入方向；随后，扩散模型将被操纵的潜在状态扩展为完整的转录组。Siyu He 称这是一种近似：潜在空间可能比基因表达空间更平滑、更接近线性，但多个生长因子和方向可能通向同一个最终状态。
目前披露的验证强于仅展示合理性的演示，但仍暴露出模型需要更多信息的地方。 团队在一个从 day zero 到 day three 的分化序列中隐藏了 day one 和 day two 的状态，训练时隐藏了组合基因扰动、只使用其组成部分，并将推断出的类器官中间状态与公开时间序列研究进行比较。测试案例总体有效，但中间状态预测「没有我们以为的那么好」，凸显了有用信号与真实答案之间的重要区别。
要泛化到未见过的药物，模型必须把条件变成一等输入。 如果训练数据只有药物 A 和 B，基础版 Squidiff 无法预测药物 C，因为它没有 C 的语义向量；一个拟议中的变体会增加编码药物分子结构和剂量的 adapter。另一个类似视频生成的方向，则会学习完整时间序列，而不是在两个端点之间画一条直线。
CORAL 处理的是互补瓶颈：分子丰富度和空间分辨率通常来自彼此错位的不同测量。 单细胞 RNA 测序会摧毁组织位置；空间转录组学可以覆盖数以万计的基因，但空间分辨率较低；空间蛋白组学的空间分辨率更高，却只能覆盖少得多的蛋白质，而且测量结果可能来自相邻、发生偏移的组织切片。CORAL 的目标是把它们组合成生物学意义上的「彩色高分辨率图像」。
CORAL 的图架构将粗粒度组织测量解卷积为细胞级状态，同时建模邻域效应和边界。 图神经网络对每个细胞及可配置数量的最近邻进行建模，从而支持细胞间相互作用分析、功能域发现和空间变异性绘制。重构损失和 KL 散度目标函数支持保真度，图平滑项则约束局部平滑；二者的平衡很重要，因为肿瘤可能渐进式浸润，而骨骼和血管边界可能非常锐利。
数据质量和验证基础设施，仍是所有虚拟细胞平台背后的战略瓶颈。 已有模拟器生成的合成数据可以提供可知的真实答案，用于基准测试，随后再与真实组织数据和生物学知识比较；Siyu He 强调「没有闭环」（there’s no loop）。Siyu He 提到 virtual-cell、Billion Cells、biological-model 和 digital-twin 等方向，并展望它们未来 1–2 年的发展，但表示，进展和临床可信度需要生物学家、机器学习研究者、统计学家、高质量数据、实验和临床测试协同推进。

精读

1. 转录组是强大的状态读出，但不是完整的细胞

Siyu He 从生物学的中心法则讲起：细胞大体共享同一套 DNA，但转录会把 DNA 的不同片段转化为 RNA，RNA 随后再被翻译成具有不同结构和功能的蛋白质。这使基因表达成为细胞可观测差异的主要来源。
Siyu He 的一位博士后导师 Stephen Quake 提供了一个令人印象深刻的简洁说法：「细胞就是一袋 RNA」。单细胞 RNA 测序将这袋 RNA 转化为一个向量，包含约 30,000–60,000 个基因的表达测量，为定量生物学提供了异常丰富、覆盖整个基因组的起点。
研究人员通过降维、流形方法和聚类来解读这些向量。具有相似共表达程序的细胞会聚成不同状态或类型；高度特征化的标志基因随后把这些聚类连接到生物学解释上，包括判断某一细胞群是否呈现已知的癌症相关特征。
Siyu He 明确了边界：转录组学遗漏了表观基因组和染色体变化、蛋白质丰度、线粒体以及其他细胞过程的信息。它之所以有吸引力，是因为当前技术能够提供全基因组覆盖，而不是因为它讲述了一个细胞的全部故事。

2. 破坏性且缓慢的实验，为虚拟转录组打开空间

单细胞测序首先要把组织解离成单个细胞，因此获取分子读出会摧毁样本，也会移除其空间组织。研究人员无法在每个中间阶段反复测量同一个样本；一旦采样进行测序，样本就被摧毁了。
Siyu He 的现实动机来自湿实验经历。培养一个类器官可能需要数月，一些脑类器官甚至需要「1 年甚至更久」，而一个错误可能迫使实验重新开始。从解离组织到拿到可用的 RNA 文件，测序成本高昂，所需时间也可能至少为 1 周。
Squidiff 探索的是，生成式 AI 能否创建对应化学刺激、基因上调或下调、分化或其他条件的「虚拟或数字转录组」。它也可以研究那些实验根本难以捕捉的状态。
Labenz 的框架把资源约束说得很清楚：科学进展部分取决于有限的实验室空间、受过训练的人员和培养时间，能否被分配到正确的实验上。Siyu He 的答案不是取消测量，而是提供快速预测和有用直觉，引导昂贵的实验转向信息量更高的条件。

3. 生成的表达状态仍然有用，因为现有生物学可以解读它们

Squidiff 的最终输出是一份合成转录组，其整体形式与实验获得的单细胞 RNA 数据相同。因此，研究人员可以直接使用熟悉的分析方法——细胞注释、聚类、标志基因检查、通路分析和条件间比较——而不必重新设计一套完全不同的解读层。
相似状态应当表达相似的基因组合，这使预测细胞能够被归入已知细胞群。生物学界已经认识的标志基因，则把一个 30,000 维输出连接到一系列问题：出现了哪种细胞类型、哪些信号通路被激活、癌变状态是否持续存在。
这种可解释性是有条件的，并不会自动出现。只有当预测的标志基因程序和通路关系经得起与隐藏实验或外部生物学发现的比较时，生成向量才有价值；一份看起来在统计上真实的转录组，不足以证明某种生物学机制。

4. Squidiff 从适度、任务特定的数据集起步，而不是直接构建通用模型

底层数据是细胞×基因矩阵，辅以元数据，包括已标注的细胞类型、组织来源、疾病阶段以及其他标签或实验条件。Siyu He 使用社区公开发布的数据集，也与能够生成新样本或执行定向验证的湿实验室展开合作。
不同项目的数据规模差异极大，从数千个细胞到整个领域的数百万乃至数十亿个细胞不等；但当前的 Squidiff 实例会在特定子集上训练。Siyu He 表示，约 5,000 个细胞大约 15 分钟即可完成训练，同时提醒，细胞太少可能导致模型欠拟合或过拟合。
尽管数据已经公开共享，数据质量和缺失信息仍是主要挑战。公共数据集可能缺少对齐实验所需的条件或元数据，使一致化建模变得困难。
Siyu He 的扩展路径是聚合相关系统：构建覆盖许多类器官的基础模型，或者单独构建一个面向真实人体组织的模型。当前的贡献是一种灵活的方法，研究人员可以用自己相关的数据训练，而不是一个已经完成的通用 checkpoint。

5. 架构由联合训练的语义编码器和 DDIM 构成

Labenz 自然会问：「为什么不用 Transformer？」Siyu He 解释说，许多生物医学 Transformer 把基因视为有序序列，并学习用于分类或预测的嵌入；Squidiff 则直接建模连续表达值，目标是从复杂分布中生成转录组。
Siyu He 还纠正了原始论文和主持人设定中的一个关键错误：「其实并不是 VAE；它是一个语义编码器。」Squidiff 的两个主要组件是该编码器和一个 DDIM 扩散模型，编码后的语义变量为去噪过程提供条件，而去噪过程从高斯噪声开始。
与先单独训练自编码器进行降维、再将其接入生成器的潜在扩散系统不同，Squidiff 会联合训练编码器和扩散过程。该过程在生成真实感的单细胞表达数据时，同时学习噪声信息和语义信息。
语义表示的目标不只是容纳一个细胞类型标签。疾病阶段、实验条件以及其他相关信息都可以进入同一潜在空间，让研究人员无需直接修改数以万计的基因测量值，就能操纵不同条件。

6. 转录组需要不同于图像的扩散机制

图像扩散通常在两个空间维度上运行，并常用 U-Net。Squidiff 的样本则是一维基因表达值向量，因此其去噪器使用带残差连接的多层感知机，并将扩散时间和语义条件纳入其中。
加噪过程本身相对简单，但单细胞表达矩阵很稀疏，包含大量 0。团队会过滤无用基因，把建模能力集中在高变基因上，而不是把每个测量到的基因都视为同等重要。
Siyu He 选择扩散模型的原因，在于它能够表达复杂分布。基因表达数据可能包含复杂模式，而扩散模型具备表达这些模式的能力。
Labenz 看到了一条更广泛的架构启示：通过图像和视频生成普及的技术流程，正在直接应用于生物学。他认为，这是 AI 系统帮助解决人类难以处理、无法在全量信息上进行推理的问题的又一个例子。

7. 语义运算可以跨细胞类型迁移扰动

核心的计算机内实验从一个对比开始。如果研究人员拥有细胞类型 Z 的基线样本和扰动样本，编码器就可以估计该处理对应的语义方向；把这个方向应用到细胞类型 X，相当于在不先培养和处理 X 的情况下，询问 X 可能如何响应。
Labenz 将这一操作类比为嵌入运算：把从 man 到 woman 的向量加到 king 上，可以接近 queen。在这里，减法估计刺激的影响，加法则把它迁移到另一个起始状态；带条件的扩散模型再把改变后的潜在点转换成完整的表达谱。
Siyu He 接受这个类比，但强调其中的假设：生物过程复杂，通常也不是线性的。这里的判断只是，语义空间可能比原始基因表达空间更平滑、更有结构，同时扩散过程可以表达非线性的生物过程。
分化提供了一个直观例子。给定 day zero 的 iPSC 测量值和 day three 更成熟的中胚层细胞测量值，系统利用语义插值推断 day one 和 day two 的状态。另一项相关实验则把基因扰动 A 和 B 各自学到的影响结合起来，预测 A+B。

8. 留出测试支持该方法，同时暴露轨迹误差

在分化测试中，模型使用 day zero 和 day three 训练，而真实的 day one 和 day two 测量值被留出。模型通过语义插值生成这些中间转录组，再将预测结果与隐藏的实验测量值比较。
扰动评估遵循同样的逻辑：基因 A、基因 B 及其组合的实验数据都存在，但组合数据在训练时被隐藏。模型必须根据单独的语义方向构建 A+B 状态，而不能直接使用观测到的组合结果。
在更现实的类器官案例中，每天采样会摧毁样本，因此研究人员可能只在 day zero 和最终阶段采集数据，再通过插值生成中间阶段。Siyu He 还介绍了与公开时间序列数据的比较：团队识别出新的细胞状态，研究分化触发的基因，并发现其结果与其他论文中的实验数据保持一致。
Labenz 要求讨论失败案例，而不是只展示成功。Siyu He 表示，测试案例总体有效，但中间预测「没有我们希望的那么好」：多个生长因子和方向可能通向同一个最终状态。如果每个生长因子都有对应的语义变量，轨迹可能得到改善；当前的插值仍然是一种近似。

9. 未见过的药物和时间动态定义 Squidiff 的下一批变体

基础版 Squidiff 可以在不同细胞类型之间迁移已知药物的方向，但如果训练数据只包括 A 和 B，它无法从中推断药物 C；因为模型不存在 C 的语义向量。
拟议的解决方案是增加一个药物 adapter，对药物的分子结构和剂量进行编码，再将这一嵌入与细胞的语义变量结合。只要提供相关成分和剂量，模型就可能据此对未见过的药物进行条件生成。
第二个变体受到视频生成的启发。它不再只学习端点状态、假设端点之间存在按比例缩放的方向，而是使用时间序列数据训练并表达随时间发生的发育过程，从而可能捕捉数据中更多的非线性。
Siyu He 认为，近期应用包括选择类器官的生长因子配方，以及筛选工程化组织对药物化合物的响应。对癌症患者而言，更长期的愿景是在患者的细胞状态上比较候选药物，并在漫长等待结果之前，预测药物可能的有效性和潜在副作用。

10. 临床价值需要实验、责任机制和复合型团队

运营层面的对比很有吸引力，但边界也很清楚：获取一份新的单细胞数据集可能需要 1 周或更久，而生成另一个有条件的状态可能只需约 1 小时。这种速度可以为项目方向提供「一些直觉」，但 Siyu He 明确表示，研究人员不应「完全信任模型」。
Labenz 区分了发现和部署。在实验室里，错误预测可以通过额外实验验证；到了患者护理场景，准确性及其后果都很重要，因此在真实患者身上使用之前，必须完成实验测试、初步验证和临床测试。
当被问及路线图是否只是「一个简单的编程问题」时，Siyu He 强调，进展取决于社区协作：生物学家理解疾病机制，机器学习研究者构建模型，统计学家进行评估，其他专家则帮助提高研究的严谨性。
因此，Siyu He 的信心是有条件的。高质量数据、领域专业知识和外部验证仍然与模型改进不可分割，尤其是因为这些系统正被应用于医疗和健康领域。

11. CORAL 重建单细胞测序摧毁的空间语境

CORAL 从 Squidiff 主要模态缺失的信息出发。组织解离保留了单个细胞的分子测量，却移除了细胞的位置；但细胞会彼此以及与邻近细胞发生相互作用，细胞在组织中的位置也可能影响发育和疾病。
空间转录组学及相关空间技术保留了位置，却引入了分辨率取舍。空间转录组学可能以较低空间分辨率测量 30,000–60,000 个基因；空间蛋白组学则可能更清晰地解析位置，但只能测量数量有限的蛋白质。
不同模态还可能来自相邻而非完全相同的组织切片，因此不同测量中的结构可能发生偏移。Siyu He 的比喻是同一个人的两张照片：一张分辨率高但只有灰度，另一张色彩丰富却像马赛克，而且拍摄位置略有不同。
CORAL 的目标，就是得到一张彩色高分辨率图像。它整合不完整的不同模态，把低分辨率测量解卷积为预测的细胞级表达谱，从而以原始测量并未直接提供的分辨率分析组织。

12. 图模型、合成真实答案与真实组织共同完成 CORAL 的证据链

CORAL 使用图神经网络对单个细胞及其相互作用进行建模。每个细胞不仅连接紧邻的细胞，还连接可配置数量的最近邻；增加邻居数量会扩大建模范围，不过 Siyu He 主要关注附近细胞及其通信。
细胞级潜在特征支持识别「功能域」、组织架构、相互作用模式和空间变异性。肿瘤可能在没有清晰形态边缘的情况下浸润周围正常组织，而骨骼或血管可能呈现锐利边界；分子模式还可能揭示形态学上不可见的结构。
CORAL 通过复合目标函数在这两类场景之间取得平衡。重构损失支持准确性，也有助于保留真实的锐利边缘；图平滑正则项则鼓励合理的局部平滑。目标是在平滑与锐利之间取得平衡，而不是要求所有组织边界都变得模糊。
Labenz 对合成数据提出的质疑值得保留：如果模拟器能够生成答案，「那我们是否在某种意义上已经知道了需要知道的东西？」Siyu He 回应说，Splatter 以及合作者的 scDesign 等模拟器能够提供已知的域、相互作用和分布，用于受控验证，但它们并不是最终要从真实组织中宣称的发现。
合成数据与实验数据会一起用于验证模型。由于合成数据拥有真实答案，团队可以测试 CORAL 是否识别出功能域、相互作用和更高分辨率的结构。合成数据的生成过程与被评估的模型并不相同，因此 Siyu He 强调「没有闭环」。
Labenz 最后提出，相比一个没有明确含义的超级智能或价值数万亿美元的算力建设，把生物数据作为更具体的国家级投资或许更有意义。他提到受隐私限制的临床记录和昂贵的测量；Siyu He 则列举了 virtual-cell 工作、Chan Zuckerberg Initiative 的 Billion Cells Project、能够回答细胞问题的 biological models、virtual doctors 和 digital twins，同时对 AI 在未来 1–2 年加速医疗发展「非常乐观」。

Manus 爆火的背后：我们用20个问题一起搞懂 AI Agent 测试时适应：深度学习推理的关键