一場著名的虛擬細胞競賽爆冷：線性模型打平了多數深度模型
一場頂級虛擬細胞競賽證明，簡單線性迴歸能打平許多深度學習模型——問題不在數據信息不夠，而在評測指標和訓練目標本身設計有問題。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
虛擬細胞升溫，根源是測序通量而非算法突破
Biohub 剛宣布一筆聯合 DOE、NIH、Meta、Google 的 18 億美元合作，用來生成下一代虛擬細胞所需的多尺度生物數據。Fabian 認為行業重新關注虛擬細胞，第一大原因就是數據生成規模的爆發，而不是某個算法突破；但他也提醒，要警惕很多項目只是「給自己貼上 AI 的標籤」而已，並沒有真正解決藥企需要的細胞類型特異性篩選問題。
— Fabian Theis一次實驗測出1000萬個轉錄組
過去的擾動實驗裡，細胞空間（有多少種細胞）遠比擾動空間（對細胞做了什麼處理）豐富，典型的只有「對照 vs 疾病」這種稀疏對比。Parse Bio 的「giga lab」在單次實驗裡測出了一千萬個轉錄組，現在動輒上百種細胞系、上千種藥物的全擾動組合被同時測量，擾動空間第一次變得和細胞空間一樣豐富，這才真正讓大規模擾動預測模型有了用武之地。
— Fabian Theis歸納偏置換不來更好預測，數據最後說了算
關於要不要在模型里加入人工先驗（歸納偏置）換取可解釋性和魯棒性，Fabian 的立場很明確：文獻已經反覆證明，先驗加得太強會犧牲預測力。他舉 AlphaFold 為例——早期版本費力把分子的旋轉不變性手工寫進模型，後來的版本乾脆讓模型靠更多數據自己學出這種對稱性，反而更靈活、效果更好。他認為長期看，更依賴數據、更少人工約束的模型會勝出，解釋性只能是後驗加上去的。
— Fabian Theis虛擬細胞的瓶頸是訓練目標，不是數據本身
早期很多基礎模型論文沒有認真展示 scaling law，這才讓簡單模型能打平它們。但在更難的任務上（比如 NicheFormer 要求根據一個細胞的表達狀態預測鄰居細胞的狀態），非線性模型才真正體現優勢。Fabian 團隊的 scConcept 模型如今已擴展到 3.5 億個細胞、約一億參數，覆蓋 16 個物種，並已經開始觀察到明確的 scaling 行為——這說明不是數據裡沒有信息，而是此前的訓練目標和表徵方式沒有把信息真正利用起來。
— Fabian Theis虛擬細胞挑戰賽爆冷：線性模型打平很多深度模型
Arc Institute 發起的 Virtual Cell Challenge 像一盆冷水：在細胞類型預測這類基礎任務上，接近最優水平的其實就是邏輯迴歸；在擾動預測上，很多「花哨」的深度模型也沒能明顯超過簡單線性模型。真正拿下冠軍的方案基於 flow matching 這類非線性方法，證明複雜模型在更難任務上確實有用，但比賽本身固定的幾個指標還被選手「鑽空子」利用，這促使 Open Problems 聯盟要求參賽者自己提交額外評測指標，才能真正暴露模型的細微差異。
— Fabian Theis德國創業不缺早期錢，缺能扛風險的後期VC
Fabian 認為德國/歐洲的創業初期資金（早期 VC、非稀釋型資助）其實不缺，歐盟新設立的創業公司數量現在已經和美國相當，慕尼黑更是初創公司數量的歐洲重鎮。但一到需要承擔更大風險的 B 輪這類放大融資階段，歐洲的大額 VC 就明顯跟不上，很多團隊因此把目光轉向美國資本，這是歐洲深科技生態目前最明顯的斷層。
— Fabian Theis多數「虛擬細胞平臺」公司最終悄悄轉去做藥
Fabian 觀察到一個反覆出現的模式：很多宣稱「解碼生物學」「構建虛擬細胞平臺」的公司拿到大筆融資後，說不清楚具體怎麼賺錢，最終都會轉型變成「我們在做藥」，因為投資人更能理解這個敘事。相比之下，他認為 Noetic 走的是更紮實的路線——護城河不只是模型本身，而是綁定了獨特的擾動數據生成能力，比如他們團隊與多家藥企共建的 Cancer Organoid Perturbation Atlas，藥企願意為早期數據訪問權直接付費。
— Fabian Theis下一步是讓模型反過來告訴你該做哪個實驗
Fabian 團隊新發布的 Lab Compass 是一個逆生成模型：在已有正向世界模型的基礎上，反過來告訴你為了達到某個目標細胞狀態，需要在實驗室裡做什麼。團隊已經和劍橋一位做血液生成研究的合作者跑了三四輪「實驗-建模-再實驗」的快速閉環迭代，但他承認目前整個閉環離機器人自動化還太早，更多還停留在主動學習層面，終極目標是把整個實驗環節也納入強化學習閉環。
— Fabian Theis原話 · 已逐字校驗
they had, like in a single experiment, ten million transcriptomes measured, right? I thought that was like, like next level stuff.
他們在單次實驗裡測出了一千萬個轉錄組，我覺得這完全是次世代的水平。
Fabian Theis6:25
if we build in a priori inductive biases too strongly that we might lose predictive power, right?
如果我們把先驗的歸納偏置加得太強，可能會損失預測能力，對吧？
Fabian Theis17:39
the honest learning from, from big scale machine learning is that at some point data beats human-made additional concepts in these models.
大規模機器學習帶來的一個誠實的教訓是：到了某個節點，數據會戰勝模型里人為加入的額外概念。
Fabian Theis18:45
a field that is rushing towards the gold pot of the virtual cell, people sometimes maybe were not as careful with the baselines
在一個所有人都在衝向「虛擬細胞」這個金罐子的領域裡，大家有時候對基線模型沒有那麼認真。
Fabian Theis26:11
Deep Learning is not needed for cell type prediction.
預測細胞類型不需要深度學習。
Fabian Theis27:14
I saw so many of these platform companies pivoting at some point to, "We make a drug."
我看到太多這類平臺型公司最終都會轉向——「我們在做一款藥」。
Fabian Theis39:00
the, the ultimate vision being that we want to RL everything. We want to do RL also in, in, in, in this loop. It's a bit out there, but you know, I think we're, we're slowly getting there.
終極願景是我們想把一切都做成強化學習——也想在這整個閉環裡引入強化學習。這聽起來有點超前，但我覺得我們正在慢慢接近它。
Fabian Theis49:45
數字與實體
| Biohub跨機構虛擬細胞數據計劃 | 18億美元 | 2:13 |
| Parse Bio單次實驗測序規模 | 1000萬個轉錄組 | 6:25 |
| scConcept多物種潛空間覆蓋 | 16個物種 | 25:10 |
| Helmholtz Munich計算健康中心規模 | 約45個課題組長，500-600人 | 31:27 |
術語
- world model世界模型
- 能根據當前狀態和動作預測下一狀態的模型，這裡特指預測細胞擾動後狀態的模型
- bitter lesson苦澀的教訓
- 指長期看更少人工先驗、更多數據與算力的方法往往勝出
- organoid類器官
- 由幹細胞在體外培養出的具有部分器官結構和功能的多細胞團塊
- flow matching流匹配
- 一類通過學習連續變換路徑來生成樣本的生成模型方法
- Lab CompassLab Compass
- Fabian團隊的逆生成模型，反推達到目標細胞狀態所需的實驗
收聽指南
虛擬細胞/擾動預測方向的研究者、生物計算創業者，以及想看清德國生科創業生態的投資人。
開場兩分鐘的嘉賓履歷與客套介紹可以跳過，不影響後面的內容理解。