独家 | 前Arc Institute研究员全职加入元示科技，要让AI学会预测细胞变化

过去几年，AI 已经能够预测蛋白质结构、设计药物分子，但对于一个更基础的问题，研究人员仍然难以给出准确答案：当某种药物进入细胞后，究竟会发生什么？

这也是当前 AI 制药面临的一项重要局限。模型可以帮助研究人员更快地筛选候选分子，却很难准确预测这些分子在真实生物系统中的作用。于是，一些研究者开始将目光从单个分子转向完整的细胞，希望利用 AI 建立能够预测细胞状态及其变化的虚拟细胞。

这个方向，也让两位在北京大学相识的研究者产生了交集。

吴佳奇本科是生物信息学方向，后来在北京大学攻读系统生物学博士。系统生物学的研究思路是利用数学方程描述基因调控网络、预测细胞的动态变化，但她逐渐发现，真实生物系统的复杂程度远远超出了传统模型的描述能力。

博士毕业那年，ChatGPT 现象级出圈，吴佳奇当即认为生物学未来必然有类似基模出现，而突破这类基模研发的关键是高质量数据和有底层创新的算法，此后，她开始将更多注意力转向数据层面。博士毕业后，她前往海外从事博士后研究，继续探索如何增加数据采集规模，也逐渐形成了后来投身虚拟细胞创业的想法。

董明泽则走上了另一条路径。他本科在北京大学元培学院兼修生物学和应用数学，随后前往耶鲁大学攻读计算生物学博士，后续在斯坦福大学从事博士后工作，并先后加入美国 Arc Institute 以及 Anthropic，参与细胞扰动预测模型 STATE 的研发，后来又主导开发了 STACK 模型，尝试让 AI 将已有的生物学知识迁移到各类新的细胞类型和扰动条件下。

两人的研究经历不同，却逐渐指向了同一个问题：能否让 AI 不再局限于已有实验数据，而是真正预测那些尚未进行过实验的细胞会如何变化？

近日，元示科技宣布连续完成近亿元人民币天使轮及天使+轮融资。其中，天使轮由创新工场、上海未来产业基金与燕缘创投联合领投；天使+轮由 Monolith 领投，道彤投资跟投。募集资金将主要用于模型研发、数据与实验平台建设，以及面向药物研发场景的应用验证。

与一些较早切入具体药物研发项目的 AI 制药公司不同，他们选择构建具有较强泛化能力的通用细胞模型。但随着研究深入，两人也意识到，限制模型能力的不仅是算法，还有高质量生物学数据的不足，以及真实实验难以跟上模型迭代速度的问题。

因此，元示科技不仅希望开发更强的模型，也计划建设自动化实验与数据生产平台，让模型预测反过来指导实验，形成持续迭代的研发体系。随着 CTO 董明泽的全职加入，元示科技也将进一步推进模型研发与实验数据平台建设。

近日，我们在上海和董明泽进行了一场对话，聊了聊他如何从科研走向创业，为什么跨细胞类型的泛化能力如此重要，以及生物学领域的 Scaling Law 是否成立。当模型越来越强，真正制约虚拟细胞发展的，究竟是算法，还是数据与实验？

为什么是虚拟细胞？为什么是现在？

DeepTech：过去几年，AI 在蛋白质结构预测、分子生成和蛋白质设计等领域取得了不少进展。你如何评价目前 AI 制药的成果与局限？为什么选择从细胞层面切入？

董明泽：AI 制药并不是一个新话题，但今年虚拟细胞受到广泛关注，一个重要原因是上一代 AI 制药技术仍未解决药物研发中的核心问题。

过去的 AI 制药更多是在提高研发效率。例如，借助 AI 辅助药物发现（AIDD）和毒理预测模型，可以筛选更多候选分子，却仍然难以准确预测药物进入人体后的实际药效和潜在毒性。目前，进入临床开发的候选药物最终获批的比例仍然很低，大约只有 6%-7%。

我认为，一个重要原因来自临床效用以及毒副作用。制药界的无数例子告诉我们，生物机制和靶点研究往往并不能转化为真正成药。很大一部分药物在验证阶段并未能够呈现疗效。另外一部分药物产生单看其作用靶点难以预见的毒副作用。这说明就算预测了分子的结合性质，我们仍然需要在真实生物体系下进行验证，而这才是制药流程中的关键瓶颈。

此外，上一代 AI 制药主要在物理化学层面建模，需要依赖长期的生物学机制研究，先确定疾病的关键靶点，再围绕靶点设计药物。但随着一些相对容易开发的靶点得到充分研究，创新药物的发现也越来越困难。并且，一部分药物的药理机制至今都没有被充分阐明，上一代范式在这种情况下的作用会十分有限。

虚拟细胞则提供了另一种可能。它以细胞为建模对象，预测不同干预对细胞状态的影响，因而有机会应用于药物研发的多个环节。例如，通过基因扰动预测发现和验证新靶点，或者通过药物干预预测辅助评估药效。相比上一代主要解决单点问题的 AI 制药工具，我们认为，虚拟细胞有机会与真实生物学过程和临床需求建立更直接的联系。

DeepTech：过去几年，这一领域发生了哪些关键变化？你认为它距离真正的产业应用还有多远？

董明泽：虚拟细胞并不是最近才出现的概念，从 2024 年开始，这个方向在海外就已经受到较多关注。我认为，真正推动这一领域发展的，有两个重要的技术转折。

第一个是 STATE 模型的出现。在此之前，研究人员已经尝试利用 Transformer 架构模型处理生物学数据，但这类模型往往难以超越精心设计的传统统计方法。STATE 在细胞扰动预测方面取得了明显进展，各类 Benchmark 全面超越统计基线，让我们看到 AI 模型在大规模扰动数据上应用的巨大前景。

不过，STATE 之后仍然存在一个重要问题，就是模型的泛化能力。例如，在 A 类细胞数据上训练的模型，无法直接预测 B、C、D 等其他细胞类型受到扰动后的变化。

因此，我们认为，真正能够产业化的虚拟细胞必须具备跨细胞类型的泛化能力。因为很多细胞很难在体外培养和开展实验。如果模型只能预测已有大量实验数据的细胞类型，应用范围就会受到很大限制。

第二个转折是 STACK 模型。它在跨细胞及扰动类型的泛化预测方面取得了突破，让我们看到，模型有机会将已有知识迁移到缺乏直接实验数据的细胞环境中。这一进展也让我们更加确信，虚拟细胞技术具备走向产业应用的可能性。

DeepTech：STACK 最主要的技术突破是什么？

董明泽：它通过新的模型架构，以及预训练和后训练两个阶段，实现观测数据与扰动数据之间更有效的知识迁移。

观测数据主要描述细胞的自然状态，扰动数据则记录细胞受到特定干预后的变化。STACK 将两类数据结合起来，让模型从大规模观测数据中学习细胞的一般规律，再将这些知识用于扰动预测。

从目前的研究结果来看，STACK 在扰动预测和疾病相关预测任务中取得了较好的表现，尤其在跨细胞环境的泛化能力上，相比此前的一些模型有明显提升。我们认为，这意味着虚拟细胞模型有机会突破对特定细胞类型和已有实验条件的依赖，应用到更广泛的生物学研究场景中。

（来源：Arc Institute）

虚拟细胞的难题，不只是模型

DeepTech：目前学术界和产业界都在讨论虚拟细胞，但不同团队的技术路线并不相同。在你看来，真正的虚拟细胞应该具备什么能力？

董明泽：从早期利用 Transformer 架构处理单细胞数据，到 Cell2Sentence 等研究，虚拟细胞已经发展了一段时间，但整体进展仍然有限。我认为，一个重要原因是大家还没有充分想清楚，虚拟细胞究竟应该解决什么问题。

目前很多模型，无论是基于预训练模型微调，还是从零开始训练，本质上都采用类似监督学习的方法：收集不同细胞类型和基因扰动的数据，划分训练集和测试集，再预测未见过的组合。

但这种范式本身就存在局限。例如，训练数据只包含 A、B、C 三种细胞类型和几种基因扰动，即使模型能够准确预测它们之间的新组合，也不意味着它能够预测训练数据中完全没有出现过的细胞类型或扰动。

因此，一些模型虽然在特定细胞系的数据集上表现很好，却难以泛化到其他细胞类型，尤其是与疾病相关、实验数据又十分有限的细胞环境中。现有评测指标也难以充分反映这种泛化能力。

我们认为，真正的虚拟细胞不应该只是在已有数据集上预测准确，而应该能够将学到的生物学知识迁移到新的细胞类型和扰动条件下，预测缺乏直接实验数据的生物学反应。 这才是它最重要的能力。

DeepTech：为什么决定全职加入元示科技？相比在研究机构继续开展研究，公司能够帮助你实现哪些新的目标？

董明泽：最吸引我的是元示科技的数据能力，公司已经具备了与 Tahoe（一家专注于构建虚拟细胞模型的生物技术公司）比肩的数据采集规模，以及更高的数据质量。只有将高质量数据与新模型架构结合起来，才能够训练出能力更强的生物模型。

作为一个经过多年学术训练的研究者，在国际顶尖大学任教曾经是我一直以来的目标，但是我逐渐意识到 NeoLab 公司为真正做模型搭建了更好的舞台。

例如，数据收集、计算集群租赁等都需要大量资源，这些往往是学术界难以解决的问题。而在公司，我们能够投入更多资源，让模型研发、数据生产和工程基础设施形成更紧密的协同，从而加快研发迭代。同时，公司也能让我们更直接地接触市场需求。

在今天 AI 已经能够快速生成大量研究成果的背景下，我更希望自己的研究不只是停留在论文和模型指标上，而是能够真正解决药物研发中的实际问题，最终帮助患者，同时拓展人类对生命的理解。

DeepTech：从科学家到创业者，这种角色变化给你带来了哪些新的挑战？

董明泽：因为我也是刚加入，目前还在适应这种角色转换。从目前的感受来看，元示科技模型团队构建了比较自由、开放的研发环境，能够让我们在一定程度上集中精力探索这一领域的模型能力边界。当然，未来我们也需要在商业产品端与研发端找到平衡，我相信我们能平衡好这两方面，让模型真正服务于制药产业，这也是我们团队共同的理想。

DeepTech：目前细胞基础模型在扰动预测和泛化能力方面，最主要的技术瓶颈是什么？元示科技准备如何解决？

董明泽：一个比较突出的瓶颈是数据质量。目前公开的细胞扰动数据集并不少，但真正高质量、适合模型训练的数据仍然比较匮乏。

其中一个重要问题是批次效应。不同实验室在实验条件、测序流程和数据处理方式上存在差异，加上测序技术本身的偏差，使得不同来源的数据很难统一。即使收集了大量数据，也不意味着能够直接用于训练具有良好泛化能力的模型。

因此，我们一方面需要深入分析现有扰动数据，理解不同数据集之间的差异；另一方面，也会利用这些经验指导自己的数据采集流程，获得更适合模型训练的数据。关键不仅在于增加数据量，还在于提高数据质量。

DeepTech：目前构建虚拟细胞主要依赖单细胞转录组数据，但细胞的运行还涉及蛋白质、代谢物、表观遗传等多个层面。你们如何看待多模态数据的重要性？

董明泽：多模态数据具有重要的生物学意义。转录组反映细胞中 RNA 的情况，而蛋白质组、代谢组、表观基因组等数据，则从不同层面反映细胞的状态和运行机制。

但现阶段，我们仍然选择以转录组数据为核心，主要有两个原因。

首先，构建具有较强预测和泛化能力的基础模型，需要足够大规模、高质量的训练数据。虽然其他组学能够提供更多信息，但部分技术的检测通量仍然有限，数据质量和一致性也难以满足大规模模型训练的要求。综合考虑现有数据的质量、规模和检测通量，我们认为，转录组目前仍然是最适合支撑大规模细胞基础模型训练的数据类型。

其次，不同组学之间并不是完全独立的。细胞内部存在大量相互作用和反馈，例如表观遗传调控会影响基因表达，蛋白质也会通过不同机制影响 RNA 的表达。因此，不同组学之间实际上存在大量共享信息。

我们认为，如果能够充分学习转录组中的生物学规律，就有机会将这些能力迁移到其他组学任务中。因此，我们希望先利用大规模转录组数据训练通用基础模型，再通过少量其他组学数据进行微调，使其适应不同任务。

DeepTech：不同组学的数据往往来自不同的测量技术，甚至不是同一批细胞。你们准备如何解决多模态数据的对齐问题？

董明泽：多模态对齐有不同的技术路径，其中一个比较直接的方法是利用配对数据。例如，如果能够在同一个细胞或相同实验条件下，同时获得转录组和其他组学的测量结果，就可以利用这种配对关系，以转录组为桥梁，将其他组学数据与模型已有的知识连接起来。

目前，大规模扰动数据和疾病相关观测数据中，已经存在一些这样的跨模态联系。因此，我们可以先建立转录组基础模型，再通过配对数据将模型能力迁移到其他组学任务。

DeepTech：大语言模型的发展在很大程度上受益于 Scaling Law，但生物学数据的结构、复杂程度和获取成本都与互联网文本不同。你认为 Scaling Law 在虚拟细胞领域是否同样成立？

董明泽：目前大家对 Scaling Law 的理解，很多时候受到大语言模型发展经验的影响，认为模型参数越多，性能就越好。但 Scaling Law 不仅涉及模型规模，还涉及数据规模与模型规模之间的关系。当两者按照一定的规律共同增长时，模型性能才有可能持续提升。

在语言模型领域，由于能够获得大量训练数据，人们可能更关注模型参数的扩大。但生物学数据的获取成本更高，现有数据规模也远远无法与互联网文本相比，因此不能简单照搬这一发展路径。

如果训练数据量固定，Scaling Law 并不保证模型越大越好，而是需要找到与数据规模相适应的模型大小。例如，根据我们在过往研究中对公开数据的分析，目前能够获得的转录组数据，即使全部加在一起，可能也只足以支撑一个参数规模在 1B 量级的模型。

所以，我们认为 Scaling Law 同样可以指导虚拟细胞模型的发展，但现阶段的关键瓶颈仍然是数据。如何持续扩大高质量数据供给，可能比单纯增加模型参数更加重要。

DeepTech：虚拟细胞可以应用于靶点发现、药物筛选和药效预测等多个环节。元示科技准备从哪些场景切入？如何平衡技术研发与商业化？

董明泽：我们目前选择的是一条模型优先的技术路线。

有些公司会较早开展药企合作，选择具体药物管线，通过模型进行验证。但我们希望首先解决最困难、也最基础的问题，就是建立真正具有较强泛化能力的通用细胞模型。

理论上，通用模型可以服务于多种药物研发任务。但如果从某条具体管线入手，就很容易针对相关细胞类型和扰动条件进行优化。虽然可能在单一任务上取得较好的结果，却容易让模型变得更加垂直，与我们的目标不完全一致。

因此，我们现阶段的重点是建立通用模型，验证其在不同细胞类型和扰动条件下的泛化能力，以及在接近真实药物研发场景中的表现。有了扎实的模型能力，再与药企或科研机构开展更深入的合作，就能够支持更广泛的应用。

通用模型之后，如何走向真实应用？

DeepTech：目前已经有不少虚拟细胞模型声称具备较强的细胞理解和扰动预测能力。这个领域是否已经形成成熟的 Benchmark？现有评测体系还存在哪些局限？

董明泽：目前虚拟细胞领域已经有不少公开的 Benchmark，但仍然存在比较明显的局限。

一个重要问题是，测序数据并不一定能够完全准确地反映细胞的真实状态。例如，单细胞 RNA 测序得到的基因表达分布包含测序噪声，不同实验技术和处理流程也会影响测量结果。

但目前很多评测指标仍然围绕这些观测数据设计。模型即使能够很好地拟合包含噪声的基因表达分布，在某些指标上获得较高分数，也不意味着它真正理解了细胞的生物学状态。

因此，我们认为，现有 Benchmark 还需要进一步完善，尤其要找到能够反映真实细胞状态，以及下游生物学表型、疾病状态变化的评测指标。对于虚拟细胞而言，重要的不仅是准确复现测序数据，更是预测结果是否真正具有生物学意义。

DeepTech：真实人体中的细胞往往受到周围微环境的影响。你们所说的“通用”模型，主要是指单细胞层面的泛化，还是希望进一步模拟组织层面的复杂环境？

董明泽：目前绝大多数细胞扰动数据来自体外培养的细胞系。以肿瘤细胞为例，体外实验很难完整反映其在人体内所处的微环境。因此，我们希望模型能够将体外实验中学到的规律，迁移到更接近体内真实状态的细胞环境中。

现阶段，我们主要希望解决单细胞层面的通用预测问题，包括不同细胞类型对药物或基因扰动的特异性响应，以及与疾病发生发展相关的细胞变化。如果能实现这些预测，就已经具有很大的应用价值。

当然，单细胞模型也有局限。例如，即使能够准确预测肿瘤细胞受到药物干预后的变化，T 细胞、巨噬细胞等仍可能通过相互作用影响肿瘤行为。这类涉及细胞间相互作用和组织微环境的问题，还需要进一步开展组织层面的建模。

未来，我们可以在通用细胞模型的基础上，引入其他模态的数据，通过微调或后训练增强模型对组织微环境的理解。但这并不意味着必须完成组织层面的模拟，虚拟细胞才能产生价值。通用细胞模型建立后，可以同时沿两个方向发展：一是直接用于细胞层面的疾病机制研究和药物研发；二是进一步拓展对细胞相互作用和组织微环境的建模能力。 两者并不矛盾，但理解细胞仍然是建模组织的必要条件。

DeepTech：如果未来虚拟细胞的预测能力持续提升，同时能够获得更多高质量实验数据，你认为它最有可能在哪些方面取得实质性突破？

董明泽：首先，能够准确预测实验结果，本身就是一个非常重要的里程碑。如果能够通过扎实的实验验证，证明虚拟细胞具有可靠的预测能力，其下游应用将非常广泛。

药物研发是其中一个重要方向。目前，一款药物从靶点发现、候选分子设计，到细胞实验、动物实验和临床试验，需要经历漫长而复杂的过程，不同阶段往往还需要分别开展验证。

如果虚拟细胞能够准确预测不同干预对细胞的影响，就有机会将这些原本相对独立的研发环节连接起来，通过模型完成其中很大一部分预测与筛选工作，提高整个研发流程的自动化程度。一旦这种模式得到充分验证，就可能对现有药物研发方式产生革命性影响。

DeepTech：除了药物研发，虚拟细胞未来还有可能在哪些生命科学领域发挥作用？

董明泽：虚拟细胞的应用并不局限于药物研发。例如，在衰老研究领域，如果模型能够预测细胞状态随时间的变化，以及不同扰动的影响，就有机会帮助我们更深入地理解并干预衰老。

另一个方向是合成生物学。我们可以利用模型预测基因调控和细胞改造的效果，优化细胞代谢过程，提高目标化合物的生产效率。

这些应用虽然涉及不同领域，但底层都依赖于同一种能力：准确预测细胞在不同条件下的状态和反应。一旦实现这一目标，虚拟细胞将极大助力我们赋能各类围绕细胞的产业。

1.Dong, M., Adduri, A., Gautam, D., et al. (2026). Stack: In-context learning of single-cell biology. bioRxiv. https://doi.org/10.64898/2026.01.09.698608

2.Adduri, A. K., et al. (2026). Predicting cellular responses to perturbation across diverse contexts with State. Cell, 189(19), 5914–5931. https://doi.org/10.1016/j.cell.2026.07.052

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成