An Empirical Comparison of Virtual Cell Models: Perturbation Prediction, Representation, and the Baseline Gap

想象一下，你正试图构建一个活细胞的“数字孪生”。在现实世界中，科学家现在可以拍摄数百万个单独细胞的照片，并观察当用遗传开关或化学药物“戳”它们时，它们会如何反应。这个领域的宏伟梦想是创建一个人工智能虚拟细胞（AI Virtual Cell）：一个超级聪明的计算机程序，它不仅仅是记忆这些图像，而是真正理解细胞是如何运作的。如果你告诉这个 AI，“嘿，关掉这个特定的基因”，它应该能够精确预测细胞会发生怎样的变化，即使它从未见过这个特定基因被关闭的情况。这就像拥有一个生物学的“水晶球”，可以帮助我们设计新药或理解疾病，而无需在实验室里测试每一种可能性。

为了了解这些 AI 水晶球是真的还是仅仅是魔术戏法，我们需要了解它们是如何被测试的。首先，存在扰动（perturbations），这只是对细胞所做的“改变”或“干预”的专业说法，比如删除一个基因或添加一种药物。其次是基准（baselines），即实验中的“对照组”。在这种情况下，最简单的基准就是假设细胞不会发生变化，或者假设这种变化仅仅是各部分之和的简单叠加。最后是指标（metrics），即用于给 AI 打分的评分系统。如果你只根据一个学生复述已经读过的教科书的能力来评分，他们可能会得到 A，但这并不意味着他们能解决新的数学问题。科学家们提出的问题是：这些花哨的 AI 模型是真的在解决新问题，还是仅仅在熟练地背诵教科书？

---

AI 细胞大对决：显微镜 vs. 模拟器

一位名叫 Olivia Denvis 的研究人员决定对最流行的“虚拟细胞”模型进行终极测试。她没有让每个模型使用各自的规则、数据和评分系统（这会让比较变得像是在拿苹果和橘子做比较），而是建立了一个巨大的、公平的竞技场。她收集了十一个不同的 AI 模型——从简单的数学方程到庞大复杂的神经网络——并将它们全部投入到六个不同的挑战赛中，使用了九个不同的数据集。这是一场大规模的“大逃杀”，旨在看看到底哪些 AI 真的能预测细胞在受到“戳刺”后的反应，而哪些只是在虚张声势。

转折点在于：结果令人震惊。

“水晶球”其实是一台“显微镜”
最大的发现是，对于最常见的任务——预测改变单个基因会发生什么——这些昂贵且花哨的 AI 模型几乎并不比一个简单的、廉价的数学技巧更好。论文发现，一个“经过良好调优的线性基准”（可以把它想象成一个仅仅进行加法运算的简单计算器）的表现几乎与最先进的、在数亿个细胞上训练出的 AI 模型不相上下。

事实上，在一众模型中表现最好的名为 State 的模型，仅比那个简单的计算器提高了 26%，而那个简单的计算器本身就已经比直接猜测“什么都没发生”要好 19% 了。其他一些训练耗费了数千小时计算时间的庞大 AI 模型，其表现甚至比这个简单的计算器还要差。这就像雇佣了一支火箭科学家团队来帮你报税，结果却发现一个计算器 App 就能胜任，而且那些火箭科学家甚至还会犯错。

“全基因”评分的陷阱
关于如何为这些模型评分，这篇论文给出了一个非常重要的教训。许多之前的研究都使用了一种叫做“全基因皮尔逊相关系数（all-gene Pearson correlation）”的评分系统。论文解释说，这个分数其实是一个陷阱。因为在细胞受到扰动时，大多数基因并不会发生变化，所以一个仅仅预测“什么都没改变”的 AI 在这个指标上会获得极高的分数。这就像一个学生拒绝回答任何问题，但因为老师只针对那些他不需要回答的问题进行评分，所以他最终拿到了 A。

论文表明，当我们切换到更好的、专注于那些真正发生变化的基因（例如“前 20 个差异表达基因”）的评分系统时，“什么都不做”的 AI 就会跌至班级末尾，而模型之间的真实差异也会变得清晰可见。

AI 真正闪光的地方
那么，这些模型完全没用吗？并非如此！它们只是还没有达到人们所期望的“模拟器”的高度。它们是优秀的“显微镜”。

1. 表征（显微镜）： 当任务仅仅是去描述或分类一个细胞（比如说“这是一个肝细胞”或“这是一个癌细胞”）时，这些庞大的 AI 模型表现得非常出色。它们通过大幅领先于简单计算器的表现，擅长将混乱的生命数据组织成整齐、可理解的类别。
2. 困难的任务（模拟器）： 只有在非常特定且困难的情况下，AI 模型才会开始超越简单的计算器：
   • 组合扰动（Combinatorial Perturbations）： 当你同时改变两个基因，且结果并不是这两个基因效应的简单叠加（即“非加性”效应）时，AI 学习复杂模式的能力就会派上用场。
   • 化学剂量（Chemical Doses）： 在预测细胞对不同剂量的药物如何反应时，AI 处理复杂性的能力比一条简单的直线要好。
   • 跨语境迁移（Cross-Context Transfer）： 当你尝试预测某种药物在 AI 从未见过的细胞类型中的作用时，AI 的“预训练”知识能帮助它比简单计算器更好地进行适应，尽管它仍然面临挑战。

总结
论文的结论是，该领域目前更接近于拥有一个虚拟显微镜，而非虚拟模拟器。我们拥有了惊人的工具来观察和组织细胞，但我们还没有一个能够可靠地模拟细胞在面对新干预措施时会做出何种反应的工具，其表现能超越简单的数学模型。

作者还指出了这种“魔法”背后的代价。最先进的模型 State 大约需要 42,000 个 GPU 小时来进行训练。这是一个巨大的计算量。而表现几乎与它持平的简单线性基准，消耗的时间不到 0.1 个 GPU 小时。论文指出，除非我们能弄清楚如何让这些模型真正模拟因果逻辑（即理解为什么一个基因会产生某种作用，而不只是观察它通常会与哪些基因一起出现），否则这些昂贵的 AI 模型在处理简单的预测任务时可能显得大材小用。

简而言之，“AI 虚拟细胞”是一个理解细胞“是什么”的强大工具，但它尚未准备好成为一个能精准预测细胞“下一步会做什么”的水晶球。虽然构建一个能真正比简单计算器更聪明的模拟器的竞赛正在进行，但目前来看，计算器依然能稳住阵脚。