ARTICLE · 1277110
AI 虚拟细胞到底能从统一扰动建模里拿到多少增益?
10 月 27 日，bioRxiv 挂出一篇预印本，标题是个问句：AI 虚拟细胞到底能从统一扰动建模里拿到多少增益？
据这篇预印本的摘要，UPM 在遗传扰动基准上拿到最高的 PES 与基因层面响应相关性，在 5 条留出的 Tahoe-100M 细胞系上四项指标全部优于 State，在细胞因子基准上优于 Stack，组合扰动预测也优于专用模型。肝星状细胞相关靶点敲低效应的复现任务上，准确率提升 40.0%。
但标题里的问句，它只答了一半：在几张考卷上排了第一，并没有说明虚拟细胞能不能走进一张没见过的考卷。
三个模块解决的是对齐问题
论文要处理的麻烦不是建模，是拼接。Perturb-seq 数据集之间有三处对不上：测到的基因集不一样，扰动类型不一样，细胞背景不一样。任何一处对不上，两个数据集就不能放进同一个张量。
UPM 的解法是往一个变分自编码器里加三个模块。
三个模块里，没有一个是新的生物学先验。第一个是基因名匹配，第二个是词表统一，第三个是把细胞类型当作一个 embedding。这是数据工程的标准动作，做得好不好，取决于工程细节，不取决于对细胞的理解。
真正的门槛在数据整编，不在模型架构。这一轮所谓统一建模的进展，本质是把脏活干完了。它的价值真实存在，但它不是科学发现，是可复现的管道。
虚拟细胞预测的是什么？
虚拟细胞不是能跑分子动力学的模拟器。它预测的只有一件事：给定一个细胞此刻的表达状态和一次扰动，扰动之后 22000 多个基因各自的读数变成多少。
原理上它是一个条件生成模型。编码器把起始细胞压进隐空间，扰动向量在那个空间里给出一个位移，解码器把位移翻译回基因表达。所谓预测，是在隐空间里做一次条件采样。
这条路径的好处是省掉了物理。它不需要知道蛋白结构，不需要知道通路拓扑，只需要见过足够多的扰动前后配对。
代价也在同一处。它学到的是相关性，不是因果。一个基因被敲低后上调，模型记住了这个共现，却不会告诉你上调是代偿还是脱靶。答案不在模型有多会解释，而在它只学会了相关。这类模型的输出适合给候选排序，不适合解释机制。拿它写机制段落，迟早会写出一段漂亮但错误的通路故事。
机制：它是怎么工作的，先对齐再预测
模型的输入只有两样：起始细胞的状态，和扰动的表征。输出是扰动之后的表达谱。
据仓库说明，基因编辑走基因名加 crispri 或 crispra，化学扰动走分子名加纳摩尔级剂量，细胞因子走固定嵌入，组合扰动则把多个扰动的表征取平均，再解码。
机制里有一个容易被忽略的细节：扰动表征是共享的。敲低一个基因和激活同一个基因，是同一张词表里的两个条目，却共用同一套编码器参数。这让模型能在扰动类型之间迁移，也让不同类型之间互相污染。共享编码省下了参数，代价是机制边界变模糊。一个化学扰动和一个遗传扰动，在隐空间里可能落到相邻位置，这不等于两者机制相近。
流程本身不复杂。起始细胞提供扰动前的坐标，扰动向量提供一个位移，解码器把位移翻译成 22000 多个基因的读数。所谓虚拟细胞，在这套架构里就是一个条件生成器。
这也解释了它的强项与弱项。强项在同一种扰动、相近细胞背景下的插值，因为训练语料里全是这类样本。弱项在两种地方：没见过的细胞背景，和需要表达相互作用的组合扰动。
增益的微观来源：语料覆盖，不是新架构
把三份公开语料放在一张表里，能看清增益是从哪来的。
三个口径的细胞量在同一量级。按可比口径折算，UPM 平均每个上下文 145 万个细胞，Tahoe-100M 平均每个细胞系 200 万个。语料密度已经趋同，差距落在上下文的种类数上：UPM 用 76 个上下文、4 类扰动，把遗传、化学、细胞因子、组合四件事塞进同一个模型。
Arc Institute 的 STATE 在 2025 年 6 月就用超过 1 亿个扰动细胞做到了判别力提升 30% 以上，还用 1.67 亿个观测细胞训练细胞嵌入。一年半之后，UPM 在同一量级的语料上继续往上顶，靠的不是一个更强的主干网络，是把异构数据集接进同一个入口。
这个判断可以验：如果消融掉规模、只用单一数据集训练而保留三个模块，主要增益仍在，那说明红利来自架构；如果增益随语料覆盖线性衰减，那说明红利来自数据。论文摘要写的是“系统评估并验证了各模块的独立贡献”，但没有给出这组对照的结论，也没有给出任何一个基准的绝对值。
76 个上下文只留 5 个做考卷
训练用了 8970 万个细胞，占全语料的 81.5%。剩下的 18.5%，约 2030 万个细胞，没有被用上。
更值得看的是留出比例。76 个细胞上下文里，真正作为留出集被检验的是 Tahoe-100M 的 5 条细胞系，占 6.6%。跨上下文泛化是虚拟细胞最值钱的能力，也是这类模型被质疑最多的地方，而它只被 6.6% 的考卷检验过。
这件事有外部旁证。2026 年 9 月有一篇针对 Tahoe-100M 的方法学预印本，用 47 条细胞系的留一法做泄漏安全评估，结论是基础表达只能在可重复的地方预测上下文特异的药物响应。换句话说，跨细胞系的预测能力本身就不稳，不是模型大小的问题。
一个 10 亿参数的模型，在 5 条留出细胞系上赢下四项指标，是成绩，不是证明。要证明外推，留出集得换一批来源不同、测序平台不同、扰动类型也不完全重合的细胞。
组合扰动的本质：平均
仓库说明里有一句话，比摘要里任何数字都重要：组合干预会把各个扰动的表征取平均，再交给解码器。
平均是一种假设。它假设两个扰动叠加后的效果，等于两个扰动各自效果的中点。生物学上这个假设经常不成立。协同、拮抗、剂量依赖的翻转，都发生在平均之外。
这不意味着模型没用。单药预测、剂量反应、细胞类型特异的响应，这些任务不需要相互作用项。但它划出了一条边界：用 UPM 去筛组合方案，筛出来的是可加性的那部分，相互作用仍然要靠湿实验。
三个最容易被问住的问题
问：8970 万个细胞算多吗？
答：放在 2026 年不算多。STATE 一年半前就用过 1 亿量级，Tahoe-100M 本身就是 1 亿个细胞、50 个癌细胞系、约 1100 种小分子。UPM 的增量不在细胞数，在把 4 类扰动和 76 个上下文放进同一个模型。
问：40.0% 的提升是什么水平？
答：这是一个下游任务的准确率提升，任务是复现肝星状细胞相关靶点敲低引起的效应，不是基因层面预测相关性，也不是跨细胞系泛化。两者不能互换着读。
问：权重上锁还算开放科学吗？
答：算半开。代码给了，方法能查，权重需要审批。对工业界够用，对独立复现者不够。学术界要验证这类模型，缺的往往不是代码，是那份 4.8 GB 的权重。
虚拟细胞这一行，过去两年比的都是谁的数据多。这篇预印本把数据多的那一步走到了接近极限，也把下一步的问题暴露得更清楚：不是模型不够大，是没人知道它在没见过的细胞里还准不准。
参考资料
bioRxiv 预印本（2026-10-27），统一扰动建模与 AIVC 预测器的增益评估，DOI 10.64898/2026.10.25.761625 GitHub 仓库 youlab2025/UPM（2026-10-14 建立，2026-10-28 最后推送），推理实现与组合扰动说明 Hugging Face 模型页 youlab2025/UPM，4.8 GB 授权访问权重包 Cell（2026-09-01），Tahoe-100M 单细胞药物扰动图谱，DOI 10.1016/j.cell.2026.08.035 bioRxiv（2025-06-26），State 跨上下文扰动响应预测模型，DOI 10.1101/2025.06.26.661135
