Arc研究所造出能“举一反三”的虚拟细胞模型，破解跨细胞预测难题

如果给细胞加一种药物，或者敲低其中一个基因，接下来会发生什么？

这是生物学和药物研发中一个非常基础的问题。研究人员通常需要真正培养细胞、施加干预，再通过测序等手段观察细胞发生了哪些变化。但细胞类型、药物、基因和疾病状态之间能够形成的组合极其庞大，不可能全部通过实验逐一验证。

更麻烦的是，同一种药在不同细胞里的效果可能不同。对某种癌细胞有效的药物，换到另一种癌细胞上可能完全没反应，甚至产生相反的效果。

因此，近年来虚拟细胞（Virtual Cell）成为一个重要研究方向：研究人员希望通过大量生物数据训练模型，让 AI 学习细胞运行和变化的规律，在真正动手做实验之前，先预测一次药物或基因操作可能让细胞发生什么变化？

然而，现有模型的痛点恰恰是跨细胞环境泛化能力差。很多模型在某个细胞系上训练得不错，一旦换到另一个细胞类型或新的实验条件，预测效果就会大幅下降，不少深度学习模型甚至无法稳定胜过简单的线性统计基线；同时细胞群体天然存在异质性，即使同一类型的细胞内部反应也有差异，叠加不同实验带来的技术噪声，会进一步掩盖扰动带来的真实信号。

近日，Arc Institute 团队在 Cell 发表论文“Predicting cellular responses to perturbation across diverse contexts with State”，正式介绍了虚拟细胞模型 STATE。它更关注一个动态问题：已知一个细胞当前的状态，以及即将对它施加的干预，能不能预测干预之后细胞会变成什么状态？

同时，团队还开发了 Cell‑Eval 标准化评测套件，专门用来评判这类 AI 模型好不好用。

STATE 由 Arc Institute 团队主导开发，研究人员来自机器学习、单细胞组学和功能基因组学等不同方向，斯坦福、UC Berkeley、UCSF 等机构参与合作。Arc Institute 成立于 2021 年，近年来重点推进“虚拟细胞”计划，一边通过 CRISPR、单细胞测序等实验平台大规模产生细胞扰动数据，一边开发 AI 模型，希望形成实验数据与模型预测相互迭代的研究体系。

STATE 主要由两个部分组成：State Embedding（SE）模型和 State Transition（ST）模型。

（来源：Cell）

SE 用来让 AI“看懂”一个细胞现在是什么状态。单个细胞里有成千上万个基因，每个基因都有自己的表达量，原始数据非常复杂。SE 的任务，就是把这些复杂的信息整理成一种 AI 更容易理解的表示。为了训练这个部分，研究团队使用了大约 1.67 亿个人类单细胞数据，来源包括 Arc scBaseCount、CZ CELLxGENE、Tahoe-100M 等多个大型单细胞数据库。

ST 负责解决更核心的问题——预测细胞的状态变化。ST 接收两类关键输入：这一组细胞现在的状态，以及要施加的干预。这是一个基于 Transformer 的模型，特别之处在于其能够对一组细胞进行分析，而不是一个一个细胞单独预测。它学习的是扰动如何让整群细胞的状态发生集体变化，同时还能捕捉群体内部的残留异质性。为了训练这部分能力，研究团队又使用了超过 1 亿个接受过不同干预的单细胞数据。

（来源：Cell）

为了测试 STATE 的能力，研究人员选择了三大类真实生物数据集，包括大量小分子药物处理的癌细胞数据；细胞因子刺激的免疫细胞数据；Perturb‑seq 技术产生的 CRISPR 基因敲除数据集。这三类实验对应着不同的问题：给细胞一款药会怎样？加入一个信号分子会怎样？把一个基因关闭之后又会怎样？

结果显示，STATE 对扰动效应的预测整体优于多个基线方法。在大型数据集上，它区分不同扰动效应的能力提升超过 30%，在预测差异表达基因方面也取得了明显提升。

其中更关键的一项测试，正是 STATE 最初想解决的跨细胞环境泛化问题：同样的药物，在不同细胞中如何表现？研究团队测试了抗癌药曲美替尼，模型从未见过该药物处理 C32 黑色素瘤细胞，但依然较为准确预测出药物会改变哪些基因，表现显著优于简单取平均值的传统基线。

此外，STATE 还表现出一定的“举一反三”能力。如果某款药物已经在很多种细胞上做过实验，面对全新细胞，只要拿到该细胞未处理的正常单细胞数据，STATE 就可以基于过往学到的规律，推测这款新药作用于该细胞的潜在转录组变化。基于模拟得到的转录组，STATE 还可以进一步推演下游表型：例如预测药物处理之后细胞的存活能力、细胞周期状态等。

同时，该模型支持计算机内的虚拟生物实验：模拟多种药物联用，预判药物之间协同或者拮抗效果；利用药物扰动的数据，去模拟基因敲低带来的细胞响应；反向推演：想要达到某一种目标细胞状态，什么样的药物或者基因干预最有可能实现。

这意味着很多候选方案可以先在计算机中大规模筛选，再挑选少数高价值假设进入湿实验验证，有望大幅降低实验成本。

除了 STATE 本身，研究团队还推出了 Cell‑Eval 标准化评测套件，模拟生物学家分析测序数据的真实流程，从三个核心维度综合打分。

整体基因表达效果：能不能区分不同药物、不同基因扰动带来的不一样的细胞变化；差异表达基因：找出真正被干预改变的基因，校验基因上调、下调的方向是否预测准确；扰动效应强弱：判断这项干预对细胞整体影响有多大，统计一共会改变多少基因。

目前，这套评测框架已经被用于国际 Virtual Cell Challenge（虚拟细胞挑战赛）的官方评估，并逐步成为该领域通用的基准测试工具之一。

图 | 2026 虚拟细胞挑战赛（来源：Cell）

当然，STATE 并非万能，论文也客观说明了模型现在的短板。比如，当前主要聚焦高变异基因的预测，还不能完整覆盖全部两万多个人类基因；遇到真正完全陌生、和训练集差异巨大的全新细胞与实验体系，零样本预测效果会明显下降，模型的上限依赖训练数据的广度；只能预测训练时见过类型的干预，无法凭空生成从未学习过的全新药物、全新基因操作结果；模型输出集中在转录组也就是 RNA 层面，暂时不能直接模拟蛋白、代谢、细胞形态等其他生物学层面的变化。

1.Adduri, Abhinav K., et al.“Predicting Cellular Responses to Perturbation across Diverse Contexts with State.”Cell, 31 Aug. 2026, https://doi.org/10.1016/j.cell.2026.07.052.

2.https://www.cell.com/cell/fulltext/S0092-8674(26)00931-1

免责声明：本文旨在传递生命科学和医疗健康产业最新讯息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成