AI for Science 一周综述（7月20日-7月25日）：单细胞基础模型大爆发，AI驱动的生物医学进入"全栈智能"时代

一句话总结

本周的AI for Science日报可谓"开年最精彩的一周"——从RegFormer将基因调控网络嵌入Mamba架构实现25M细胞级预训练，到DrugGen 2让AI从疾病机制出发设计药物，再到单细胞转录组"变成"图像的scVision——三篇单细胞相关论文几乎同时刷新了领域标准，标志着AI生物学正从前沿探索进入范式转换的关键节点。

一、本周重磅：单细胞基础模型的"三国杀"

如果要给本周设置一个主题词，那一定是单细胞基础模型的密集突破。周一、周四、周五的文章恰好构成了一组完美的"技术路线对比实验"。

RegFormer（周一）：走的是"生物学先验注入"路线——将基因调控网络（GRN）的结构信息而非原始序列嵌入Mamba状态空间模型。在25M人类细胞（45种组织）上预训练后，它在细胞聚类、类型注释、扰动预测、药物响应四个维度全面超越了scGPT、Geneformer、scFoundation和scBERT。

Tabula（周四）：走的是"隐私保护+表格学习"路线——它不是用NLP式的序列建模，而是专门为单细胞数据的表格结构设计了一个基础模型，叠加联邦学习框架Chiron。数据不出本地，却在15M细胞、8个组织上实现91%的细胞注释准确率。

scVision（周五）：走的是一条完全不同的路——它用Gromov-Wasserstein最优传输将10,816个基因映射到104×104的二维网格上（共表达基因成为空间邻居），再用Vision Transformer做掩码图像建模。在7200万人类细胞上预训练后，1个标注细胞就能超越其他模型用50个标注细胞的性能。

这三项工作恰好代表了单细胞基础模型的三个技术方向：先验知识注入、隐私保护联邦学习和模态转换+视觉建模。它们在同一周的密集出现，表明单细胞AI领域正在从"模型竞赛"走向"路线分化"——一个健康的技术生态正在形成。

二、AI + 虚拟细胞：RegFormer——Mamba+GRN的基因调控新范式

本周一的核心工作是RegFormer（Nature Communications, 2026），由华大研究院主导。

RegFormer的核心理念是：单细胞数据本质上是一个多层次的基因调控层级——转录因子调控靶基因，靶基因产物调控下游通路——现有的Transformer模型（如scGPT）用序列自注意力捕捉的是"共表达模式"而非"因果关系"。RegFormer通过将GRN作为显式结构先验注入Mamba架构，让模型学会区分"谁调控谁"而不是"谁和谁一起表达"。

图：RegFormer架构——基因调控层级嵌入Mamba状态空间模型。来源：Nature Communications, 2026

结果令人印象深刻：在9个标准benchmark上全面超越scGPT（平均提升12-18%），特别是在扰动预测任务上（预测基因敲除后的表达变化），RegFormer的GRN先验提供了显著的优势。

三、AI 药物发现：DrugGen 2——从"疾病机制"出发的分子生成

如果说上一轮的AI药物发现（DrugGPT等）关注的是"分子好不好看"，那DrugGen 2关注的是"分子治什么病"。

本周二的论文来自国内团队，其核心创新在GRPO强化学习优化中融入MeSH疾病编码上下文。简单来说，模型在生成分子时不仅看分子结构，还"读"疾病描述（如"糖尿病肾病""ACE靶点"），让生成过程从一开始就对齐疾病生物学。

图：DrugGen 2疾病感知生成流程——MeSH编码引导分子优化。来源：arXiv, 2026

效果数据非常硬：在糖尿病肾病5个靶点上，DrugGen 2的独有分子生成数（409-444）是基线模型DrugGPT的3-8倍；ACE靶点的3个候选分子对接分数超过临床一线药物依那普利。这意味着AI不再只是生成"看起来像药"的分子，而是开始理解"什么机制治什么病"。

四、AI + 器官芯片：17张标注图搞定镰刀红细胞智能识别

本周三的论文来自Lab on a Chip，解决的是一个非常实际的问题：微流控芯片中高密度（重叠率0.9）镰刀红细胞的自动识别。

传统图像分割方法在细胞密集重叠时表现极差，而这篇工作的精妙之处在于：它用nnU-Net做初始分割，然后叠加分水岭算法（watershed）做重叠分离。最令人惊讶的是，整个训练集只有17张人为标注图。

图：微流控芯片镰刀红细胞识别——nnU-Net+分水岭算法，仅17张标注即达高精度。来源：Lab on a Chip, 2026

在药物反应评估中，模型自动检测显示氧维洛托治疗组的镰刀细胞比例从94%降至21%，与人工计数的误差小于1.5%。这不仅是一个算法工作，更展示了"少量标注+强先验"策略在微流控-生物医学图像分析中的巨大潜力。

五、生物基础模型：Tabula——联邦学习让单细胞数据"不出本地"

本周四的Tabula（arXiv 2607.19400）提出了一个非常务实的洞察：单细胞数据是高度敏感的——患者基因组、转录组信息无法共享到中心服务器做训练。现有的单细胞基础模型要么放弃隐私（集中式训练），要么牺牲性能（本地小模型）。

Tabula的解决方案是将表格学习（而非NLP序列建模）与联邦学习框架Chiron结合。15M细胞、8个组织的数据各自在本地处理，只有梯度信息上传聚合。最终模型在91%的细胞注释准确率上超越了所有集中式训练的基线模型。

图：Tabula架构——联邦学习+表格学习的隐私保护方案。来源：arXiv, 2026

更令人兴奋的是其在衰老研究中的发现：Tabula识别出CPE和OLFM2等基因作为衰老逆转因子，与寿命延长显著正相关。这说明联邦学习不只是隐私保护的手段——多中心异质数据的联合训练可能反而提升了模型的泛化能力。

六、AI 生物医学交叉：scVision——把转录组"画成"图像，用ViT做零样本注释

本周五的scVision（arXiv 2607.14163）可能是本周最具想象力的工作。它问了一个问题：如果单细胞数据"看起来"像图像，我们是否能用Vision Transformer做零样本细胞注释？

答案是肯定的。scVision用Gromov-Wasserstein最优传输将10,816个基因映射到104×104的二维网格上（共表达基因成为视觉邻居），然后用ViT-Base + 掩码图像建模在7200万人类细胞上预训练。结果：1个标注细胞即超越其他模型用50个标注细胞的性能。

图：scVision——Gromov-Wasserstein最优传输将基因映射为图像，ViT零样本注释。来源：arXiv, 2026

这个方法还有一个"副作用"：由于模型是在图像空间而非序列空间工作的，它可以做"空间掩码操作"——遮挡图像中的某个区域观察注释变化——这本质上是单细胞版的"因果推理"实验，是词元模型做不到的。

本周推荐阅读