Cell | 2026虚拟细胞挑战赛开启“零样本”跨语境预测的AI革命

撰文 | 亦

现代生物医学高度依赖体外细胞系或动物模型，但这些临床前系统往往无法准确预测人体真实的生物学响应 。 尽管当下高通量基因扰动与单细胞测序技术（如 Perturb-seq）能够在培养皿中产生海量数据，但许多对人体生物学至关重要的细胞语境（如稀有细胞类型、无法在体外扩增的原代细胞、脱离原生微环境即失真的病变细胞等）根本无法直接在体外进行大规模扰动实验。即使获取了这些细胞，脱离人体环境本身就已经改变了我们试图理解的生物学状态。

在系统生物学与计算医学的前沿领域，构建能够精确模拟细胞生命活动的“虚拟细胞”（Virtual Cell）模型，被普遍视为继蛋白质结构预测（AlphaFold）之后，人工智能重塑生命科学的下一个“圣杯”。而其广泛应用的一大瓶颈便是 细胞 responses 的极其严苛的“语境依赖性”（Context Dependency）， 具体表现为： 1）无法覆盖所有实验组合；2）跨细胞类型泛化能力极差；3）仅数据拟合而非机制理解 。因此 如何在缺乏目标细胞系扰动数据的情况下，仅凭细胞基态特征去精准预测未知细胞语境下的基因扰动响应（即“零样本”泛化 prediction），成为了计算生物学与 AI 细胞建模领域最急需攻克的根本性难题 。

近日 ，Arc Virtual Cell Initiative Team联合美国加州大学旧金山分校的Hani Goodarzi教授团队在Cell上发表了题为Virtual Cell Challenge 2026: Benchmarking zero-shot generalization across cellular contexts的文章，正式推出“2026年虚拟细胞挑战赛”。

相较于首届赛事，今年的挑战赛迎来了三大关键跨越：

一、从“单语境拟合”走向纯粹的“零样本（Zero-shot）泛化”

在2025年的首届挑战赛中，赛事吸引了来自全球114个国家的5000多名注册者、超1200支团队提交结果以及300多支团队完成最终决赛提交。首届比赛要求参赛者预测 H1 人类胚胎干细胞这一单一语境下的单基因敲低响应，虽然顶尖模型在差异表达基因预测上表现出色，但仍无法全面替代真实实验 。代表性模型（如结合了Arc研究所STATE 模型状态嵌入与 PRiMeFlow 概率流匹配的架构）证明了AI可以显著提升差异表达基因（DEG）的识别精度与扰动辨别力。却也发现纯端到端深度学习模型在部分指标上并未全面超越经典的统计学 Baseline。

为此，2026年 赛事迎来了终极考验： 完全取消针对目标语境的挑战专属训练集 。参赛模型仅能获取目标细胞在未扰动（非靶向对照）状态下的基态基因表达谱以及待敲低的基因 ID，必须 在没有任何目标细胞系扰动响应训练数据的前提下，直接“零样本”预测出 CRISPR 干扰（CRISPRi）后的单细胞转录组响应 。这一设计强制模型学习通用生物学规律，而非死记硬背特定细胞系的数据 。

二、极限基准：6 大癌症细胞系的单细胞 Perturb-seq 高质量标准化数据集

为保障评估的绝对客观与生物学多样性，Arc Institute 采用CRISPRi与10x Flex 单细胞RNA测序技术（scRNA-seq），针对来自不同组织来源的6种癌症细胞系进行了高精度Perturb-seq实验。划分为了验证集（3 种癌症细胞系）和最终测试集（另外3种完全不同的癌症细胞系）。在两个数据集中，每个细胞系均包含300种基因扰动，且每种扰动平均深度采样400个单细胞。 将“细胞初始状态”与“干预目标”彻底解耦的盲测机制，将极大地考验模型跨背景迁移的能力 。

三、破除刷榜：基于 Cell-Eval 的秩次聚合评分机制多维评估

单一的排行榜指标极易导致 AI 模型陷入“刷榜”式的过度拟合 。因此，2026挑战赛采用了 Cell-Eval综合评估框架，从表达计数（Expression counts）、差异表达基因（Differential expression）以及扰动效应量（Perturbation effect size）等多个互补维度对模型进行全面打分。最终排名将采用基于多指标的秩次聚合评分（Rank-based aggregate scoring）。确保 获胜模型能够真实反映复杂的生物学行为，而不是仅仅优化某一项特定计算数值 。

回顾近年来虚拟细胞领域取得的一系列突破：在数据集与基础模型训练方面，Zhang 等人于2025年2月推出了包含吉级（Giga-scale）规模单细胞扰动图谱的Tahoe-100M数据集，专门用于语境依赖的基因功能解析与细胞建模【1】；Huang 等人于同年6月建立了全基因组级别的Perturb-seq数据集 X-Atlas/Orion，用于训练剂量依赖的生物学基础大模型【2】。在预测模型与评估基准方面，Adduri 等人于2025年6月推出了可跨多样化语境预测细胞响应的State框架【3】；Wei 等人于 2026年发表了针对可泛化单细胞扰动响应预测算法的基准测试研究【4】；Yan 等人于同年4月提出了能够有效捕捉复杂表达异质性的 PRiMeFlow 建模架构【5】。这些成果共同推动着虚拟细胞建模从单一数据拟合向高精度、跨语境泛化方向的持续演化。

虚拟细胞要实现真正的通用建模，首先需摆脱对高维相关性的单纯拟合，真正迈向对基因调控网络深层因果机制的推演；其次需融合多模态与跨尺度数据，打破仅依赖单细胞转录组的局限，整合表观基因组（ATAC-seq）、空间转录组及蛋白质组等多维生命调控数据；最后是干湿闭环与高通量自动化验证，链接虚拟细胞模型与真实临床和新药研发。相信当虚拟细胞模型能够在计算机中（in silico）精准重构复杂的干预响应时，生命科学将迎来属于细胞建模的“AlphaFold 时刻”。

https://doi.org/10.1016/j.cell.2026.08.004

制版人：十一

参考文献

1. Zhang, J., Ubas, A.A., de Borja, R., Svensson, V., Thomas, N., Thakar, N., Winters, A., Khan, U., Jones, M.G., Thompson, J.D., et al. (2025). Tahoe-100M: A Giga-scale single-cell perturbation atlas for context-dependent gene function and cellular modeling.bioRxiv.https://doi.org/10.1101/2025.02.20.639398.

2. Huang, A.C., Hsieh, T.-H.S., Zhu, J., Michuda, J., Teng, A., Kim, S., Rumsey, E.M., Lam, S.K., Anigbogu, I., Wright, P., et al. (2025). X-Atlas/ Orion: Genome-wide Perturb-seq Datasets via a Scalable Fix-Cryopreserve Platform for Training Dose-Dependent Biological Foundation Models.bioRxiv.. Preprint at. https://doi. org/10.1101/2025.06.11.659105.

3. Adduri, A.K., Gautam, D., Bevilacqua, B., Imran, A., Shah, R., Naghipourfar, M., Teyssier, N., Ilango, R., Nagaraj, S., Dong, M., et al. (2025). Predicting cellular responses to perturbation across diverse contexts with State.bioRxiv.https://doi.org/10.1101/2025.06.26. 661135.

4. Wei, Z., Wang, Y., Gao, Y., Wang, S., Li, P., Si, D., Gao, Y., Wu, S., Li, D., Dong, K., et al. (2026). Benchmarking algorithms for generalizable single-cell perturbation response prediction.Nat. Methods23, 451–464. https:// doi.org/10.1038/s41592-025-02980-0.

5. Yan, Z., Wu, Y., Ji, M.X., Agrahar, C., Wershof, E., Nassar, M., Sadria, M., Eksi, R., Trifonov, V., Ibarra, I., et al. (2026). PRiMeFlow: Capturing Complex Expression Heterogeneity in Perturbation Response Modelling. Preprint atarXiv.https://doi.org/10.48550/arXiv.2604. 13986.

学术合作组织

（*排名不分先后）

推荐直播

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘