对话Arc Institute周镜天：生物学存在Scaling Law，但更大的模型能解决多少问题？

“肯定有 Scaling Law，我觉得问题在于究竟能够扩展到什么程度。”当越来越多的研究者相信，更大的模型、更多的数据能够让 AI 掌握复杂的生命规律时，美国 Arc Institute 实验室负责人周镜天给出了一个相对审慎的判断。

过去十多年，他亲历了单细胞技术的快速发展，从最初只能分析少量细胞的数据，到如今已经能够绘制覆盖大脑乃至人体多个器官的大规模细胞图谱。但当科学家逐渐看清不同细胞的分子特征，一个新的问题也随之出现：我们能否进一步预测细胞会如何变化，甚至主动改变它们的状态？

周镜天的科研经历，恰好沿着这条路径展开。本科就读于清华大学药学专业的他，后来在美国从事计算生物学与单细胞研究，参与开发过多项实验和计算技术。2023 年，他成为 Arc Institute 首位 Science Fellow，并于次年建立独立实验室。2026 年，他凭借单细胞图谱与疾病相关基因调控研究，入选《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区名单。如今，他开始将更多精力投入 AI 生物学模型，其参与开发的 Bolero 和 Devo，分别尝试预测不同细胞中的基因调控，以及细胞在发育过程中的状态变化。

不过，在周镜天看来，AI 能够准确预测基因表达，并不意味着它已经真正理解了细胞，更不意味着它能够改变细胞的功能。他认为，虚拟细胞研究最终仍需要回到真实的生物学实验中，证明模型能够帮助研究者解决具体问题。

从绘制细胞图谱到尝试预测细胞行为，生命科学正在经历怎样的变化？当 AI 开始进入实验室，更多数据和更强模型之外，真正重要的又是什么？

围绕这些问题，DeepTech 与周镜天展开了对话。

从药学到 AI，几次偶然的科研转向

DeepTech：你本科在清华大学学习药学，后来却走向了计算生物学。最初是什么让你对计算产生兴趣？

周镜天：我中学时参加过化学和信息学竞赛，后来觉得药学比单纯研究化学更接近实际应用，就选择了清华的药学专业。

本科期间，我发现自己不太擅长做实验。第一次给小鼠做尾静脉注射，反复尝试了很多次，最后尾巴都扎肿了，还是没成功。而且湿实验有时很难重复，失败了也不一定知道原因。相比之下，写程序至少每次都能复现相同的问题，所以逐渐对计算生物学产生了兴趣。

期间，我进入曾坚阳老师的实验室，开始尝试将深度学习应用于生物学研究。不过，那时我还不太清楚自己真正想研究什么。

直到大三暑假去斯坦福大学做科研实习，我才逐渐明确了方向。当时接触了基因组数据分析和新技术开发，直接指导我的研究人员也对自己的科研兴趣有很清晰的认识，对我影响很大。这段经历让我逐渐确定了之后的研究方向。

DeepTech：斯坦福的暑期科研经历让你逐渐明确了研究方向。后来进入博士阶段，又是怎样接触到单细胞研究的？

周镜天：斯坦福的暑期研究结束后，我希望博士阶段能够进入一个不断开发新技术、产生新数据的实验室。因为新的实验技术往往意味着新的数据类型，也会带来新的计算问题。后来，我选择了基因组学研究比较集中的加州大学圣迭戈分校（UCSD）。

我是在博士阶段才真正开始做单细胞研究的。博士一年级时，我在任兵老师的实验室轮转，接触到一批新的单细胞 Hi-C 数据。这项技术可以用来研究 DNA 在单个细胞核内的三维空间结构，但当时大家还不太清楚如何有效分析这些数据。

恰好有一门课要求我们选择一个生物学问题，将其转化为算法问题并尝试解决。我就以单细胞 Hi-C 数据为对象，开发了一套分析算法。后来，这项课程研究逐渐发展成了我博士期间的一篇论文。

所以，进入单细胞领域并不是我一开始就规划好的，而是恰好接触到了新的实验数据，也遇到了一个值得解决的计算问题。

DeepTech：你最初主要开发计算算法，后来却参与开发了新的单细胞实验技术。这个转变是怎么发生的？

周镜天：这其实源于一次比较偶然的组会讨论。

博士期间，我最终加入了 Joseph Ecker 教授在 Salk Institute 的实验室，主要研究 DNA 甲基化。博士二年级时，我负责的一个项目进展不太顺利，有一次组会实在没什么结果可讲，就介绍了之前开发的单细胞 Hi-C 分析算法。

实验室有一位非常擅长技术开发的同事，最早的单细胞 DNA 甲基化测序技术就是他开发的。他听完之后提出，既然能够测量单细胞的 DNA 甲基化，能不能把三维基因组结构也一起测出来？

我们就开始尝试，没想到第一次实验就成功了，而且数据质量非常好。有时候实验技术开发就是这样，第一次可能恰好满足了各种条件，后面再重复，反而需要花时间排查一些细节。不过，这项技术整体开发得比较顺利，后来我们也开始利用它研究 DNA 甲基化和三维基因组结构之间的关系。

恰好当时实验室获得了一笔较大的科研经费，希望将这些技术应用于整个大脑的研究，我也因此开始参与大规模单细胞图谱项目。

回头看，这个过程确实有些偶然。最初只是为了解决一个数据分析问题，后来因为一次组会讨论，发展出了新的实验技术，又进一步延伸到大规模细胞图谱研究。

DeepTech：新技术也带来了越来越庞大的数据，这个过程中遇到了哪些新的挑战？

周镜天：最明显的变化就是数据规模增长得非常快，对分析方法的要求也越来越高。

我最早在任兵老师实验室轮转时，拿到的单细胞 Hi-C 数据只有 8 个细胞。后来，随着实验技术发展，数据规模逐渐增加到几千个、十几万个细胞。原来的一些算法在处理少量数据时表现不错，但当数据量增加几个数量级后，无论是计算速度、资源消耗还是分析效果，都可能无法满足需求。

因此，我们需要不断开发新的算法，优化计算流程，让它们能够处理更大规模、更复杂的数据。我博士期间的很多工作都与这一过程有关：一方面利用新的实验技术获取数据，另一方面又随着数据规模的增长，不断改进和开发计算方法。

DeepTech：2023 年，你获得了 Arc Institute 的 Science Fellow 职位。对于生命科学研究者来说，通常还需要经历较长的博士后阶段，你为什么想更早独立开展研究？

周镜天：在生命科学领域，博士毕业后直接独立建组的机会其实很少，大多数人还是会继续做博士后，学习新的技术、积累研究成果，再申请独立职位。

但我当时觉得，自己在博士阶段已经接受了比较充分的科研训练。Ecker 实验室规模很大，虽然整体研究方向与导师有关，但具体选择什么课题、采用什么方法、如何完成研究，很多时候都需要自己决定。所以，如果继续做博士后，可能还是在类似的模式下开展研究。

相比之下，独立建组可以让我更早学习一些新的能力，比如招聘团队成员、管理项目、开展合作以及申请经费。这些都是博士和博士后阶段不太容易系统锻炼的能力。

当然，我也有顾虑。年轻研究者独立之后，通常会继续发展自己已经擅长的技术和研究方向。如果想进入一个新的领域，反而可能缺少学习新技术的机会，需要更多依靠合作来弥补。

不过，后来加入 Arc Institute 的经历，在很大程度上改变了我原来的想法。

DeepTech：当时为什么选择 Arc Institute？这里的科研环境又是怎样让你开始转向 AI 模型开发的？

周镜天：最初主要是看中了 Arc 在 CRISPR 和基因组工程方面的研究积累。我之前主要做单细胞测序和表观遗传学，两者有很多合作机会。比如，通过 CRISPR 改变一个基因，再利用单细胞技术观察其他基因及表观遗传状态会发生什么变化。

但真正加入之后，我发现这里还有一个此前没有充分预料到的优势。Arc 的规模相对较小，研究人员之间交流很方便，而且聚集了一批具有大模型开发和计算工程背景的研究者。

我过去虽然一直做计算生物学，也开发过不少算法，但没有特别深入地研究过现在这类大模型。在 Arc，我有机会向不同背景的研究人员学习，逐渐开始尝试 DNA 序列模型和虚拟细胞研究。

另外，Arc 更注重支持研究者本人，而不是严格限定研究方向。对于年轻 PI 来说，这一点很重要。通常，继续做自己已经擅长的研究更容易取得成果，但如果想进入一个新领域，就需要足够的探索空间。

所以，我最初选择 Arc，是希望继续拓展单细胞组学与基因组工程的结合；但来到这里之后，与大模型研究者的交流，又让我逐渐进入了新的研究方向。

图 | 周镜天团队研究重点（来源：Zhou Lab）

从几十种到数千种，重新认识细胞

DeepTech：回到你长期参与的单细胞图谱研究。过去十多年，随着测量技术和数据规模不断发展，我们对细胞的认识发生了哪些重要变化？

周镜天：一个很明显的变化是我们开始更清楚地认识到，人体内究竟有哪些不同类型的细胞。

过去，人们主要根据细胞的形态、位置和功能进行分类。单细胞技术则让我们能够从基因表达等分子特征出发，比较不同细胞之间的差异，进一步了解它们与细胞功能之间的关系。

我读博士时，整个领域对细胞类型的认识变化非常快。2015-2016 年左右，一些大脑单细胞研究只能区分出大约 20 种细胞类型，很多还只能用编号区分。到 2020-2021 年，我们已经能够系统识别一两百种细胞类型。2023 年全脑图谱项目接近完成时，讨论的已经是三四千种细胞类型。

其中有些发现很出乎意料。比如，大家最初往往更关注与高级认知功能相关的脑区，认为这些区域应该更加复杂。但后来发现，从分子层面的细胞类型来看，这些区域反而相对简单，复杂性可能更多体现在神经连接上。

相比之下，负责维持基本生命功能的脑干区域，细胞类型却非常丰富。而且在这些区域，神经元的基因表达特征与连接方式之间，往往存在更加直接的对应关系。

这也让我们意识到，大脑不同区域的复杂性可能体现在不同方面。随着研究范围从部分脑区扩展到整个大脑，我们对细胞多样性的认识也发生了很大变化。

DeepTech：除了发现更多细胞类型，你长期研究的表观遗传学和三维基因组，还帮助我们理解了哪些过去难以解释的问题？

周镜天：一个很重要的问题是，为什么人体不同细胞拥有基本相同的 DNA 序列，却能够表达不同的基因，形成不同的细胞类型和功能？

其中一个重要原因，就是不同细胞具有不同的表观遗传状态，例如 DNA 甲基化、染色质开放程度等。这些差异与基因如何受到调控密切相关。所以，我们不仅想知道细胞表达了哪些基因，还希望进一步理解，为什么这些基因会在某种细胞中表达，而在另一种细胞中不表达。

三维基因组就是一个很好的例子。我刚读博士时，很多研究认为，不同细胞类型的三维基因组结构非常相似，甚至在人和小鼠之间也具有较强的保守性。但这其实有些让人困惑：既然细胞的基因表达和功能差异这么大，三维基因组结构真的会如此相似吗？

后来，随着单细胞技术的发展，我们能够以更高的分辨率观察三维基因组，发现不同细胞之间其实存在很多过去没有观察到的差异。这说明，早期的一些认识也受到测量技术和分辨率的限制。单细胞技术不仅让我们能够研究更多细胞，也让我们有机会重新认识基因组结构与基因调控之间的关系。

DeepTech：刚才提到了三维基因组。能不能通俗地解释一下，DNA 在细胞核内的折叠方式，为什么会影响基因表达？

周镜天：三维基因组研究的是 DNA 在细胞核内如何折叠和组织，它与 DNA 甲基化等化学修饰有所不同。

我们知道，DNA 中真正编码蛋白质的区域只占很小一部分，大约 2%。除此之外，还有很多不编码蛋白质的区域，其中一些具有调控基因表达的作用。

这些调控区域在线性的 DNA 序列上，可能距离它们所调控的基因很远。但由于 DNA 会在细胞核内折叠，原本相距很远的区域就可能在三维空间中彼此接近，从而参与基因调控。

我本科时看教材，细胞核里的 DNA 折叠结构就像一桶泡面，各种线条缠绕在一起，好像没有什么规律。但随着测量技术发展，我们发现这些结构并不是完全随机的，而是存在一些相对稳定的组织模式。

所以，三维基因组不仅是一个空间结构问题，也与不同细胞中的基因如何受到调控有关。

（来源：Science）

DeepTech：从绘制细胞图谱到预测细胞行为，研究目标似乎也在发生变化。那么，对于今天的虚拟细胞研究来说，是不是数据越多，模型就能越了解细胞？

周镜天：这取决于你想解决什么问题。如果是绘制细胞图谱，增加数据量确实很重要，因为有些细胞非常稀少。比如我们实验室目前关注的一些脑部相关疾病，包括渐冻症、自闭症等。其中，渐冻症研究涉及的某些运动神经元就比较稀少，如果只测量几百个细胞，可能根本无法捕捉到。

但虚拟细胞研究不只是想知道有哪些细胞，还希望预测它们在不同条件下会如何变化。除了细胞类型，还要考虑空间位置、发育阶段，以及药物、基因改变等外部干预。

举个例子，如果研究 1,000 种细胞类型，想知道它们分别对 1,000 种药物的反应，就需要 100 万种实验组合。假设每种组合测量 100 个细胞，就需要 1 亿个细胞的数据。而这还没有考虑个体遗传背景、时间等其他因素。

所以，虚拟细胞需要的不只是更多细胞数据，还要覆盖足够丰富的变化条件。每增加一个维度，所需要的数据量都会迅速增长。

DeepTech：既然虚拟细胞需要如此庞大的数据，目前研究者主要采集哪些信息？只依靠转录组，还是需要结合多种组学数据？

周镜天：目前大部分研究还是使用转录组数据，因为它相对容易测量，也比较适合大规模采集。现在一些机构正在讨论建设十亿细胞规模的数据集，以现有技术条件来看，转录组仍然是比较现实的选择。

当然，细胞内部的信息远不止基因表达，还包括 DNA 甲基化、染色质开放程度和三维基因组结构等。但这些数据的采集成本和技术难度不同，尤其在大规模研究中，不一定都能方便地获取。

更重要的是，在转录组之外增加其他组学数据，究竟能给模型带来多少额外价值，目前还没有明确答案。这需要根据具体的研究任务来判断。

DeepTech：但即使有了足够多的转录组数据，AI 就能准确预测细胞的真实行为吗？

周镜天：我觉得关键还是看具体任务。首先，你关心的生物学现象，需要能够通过转录组反映出来。

实际上，转录组已经能够解释很多事情。比如，在一些疾病研究中，患者和健康人的基因组序列未必有明显差异，但基因表达可能存在很大不同。当然，这些差异不一定是疾病的原因，也可能是疾病发生后的结果。

同样，在细胞状态转换研究中，基因表达也是重要的判断依据。但基因表达相似，并不一定意味着细胞功能相同。例如，大脑皮层中的一些神经元，基因表达很相似，但会连接到不同的脑区，所以如果要研究神经元的投射，转录组就不一定是一个很好的标志。相反，现在可以利用诱导多能干细胞（iPS 细胞）分化得到神经元。这些细胞能够传导电信号，也表达一些神经元的标志物，但从整个转录组来看，它们与真实神经元仍然存在明显差异。

那么，即使未来能够让两者的基因表达非常接近，是否意味着它们的功能也足够相似？这仍然是一个未知的问题。

所以，转录组可以帮助我们预测和判断很多细胞状态的变化，但它在多大程度上能够代表细胞的真实功能，以及是否需要其他组学信息，还需要进一步研究。

生物学的 Scaling Law，能走多远？

DeepTech：这些问题也关系到 AI 模型本身的能力。你从本科阶段就开始使用机器学习研究生物学，与十年前相比，AI 研究生物学的方式发生了哪些变化？

周镜天：变化非常大。十年前，大家还不太使用 “AI” 这个词，更多是说机器学习、深度学习，通常针对具体任务开发模型，再根据数据特点进行优化。

现在一个明显的变化是，AI 开始改变整个科研流程。比如，AI 智能体（Agent）已经能够帮助研究者编写代码、调用工具，甚至完成一系列科研任务。不过，这和开发底层模型是两个不同的层面。我们实验室更关注后者，希望让这些模型和工具能够解决过去解决不了的问题。两者相辅相成，更好的 agent 可以更自动化开发新的工具，更好的工具进一步提高 agent 的性能。

另一个变化来自大语言模型的发展。过去，我们通常会把已有的领域知识和假设融入模型设计。现在，受到“苦涩的教训”（The Bitter Lesson）等观点的影响，研究者开始尝试利用更大规模的数据和算力，让模型自己学习规律，而不是完全依赖人为设计。

但这种方法在生物学中是否同样有效，目前还不确定。例如，在 DNA 功能预测、细胞扰动响应预测等任务上，一些通用基础模型的表现并没有超过专门设计的模型，有时甚至更差。

所以我觉得，现阶段可能仍然需要把基因调控等生物学知识作为一种归纳偏置（inductive bias）融入模型设计，而不是完全依赖扩大数据和模型规模。

DeepTech：现在不少 AI 基础模型都在尝试通过扩大数据和算力提升性能。你刚才提到，通用模型在一些生物学任务上仍不如专门设计的模型。那么，生物学领域究竟存不存在 Scaling Law？

周镜天：我觉得肯定存在 Scaling Law，关键在于它究竟能够扩展到什么程度。对于一些明确的任务，比如 DNA 序列重建，确实能够看到随着训练数据和模型参数增加，模型表现不断改善。

但这并不意味着只要继续扩大规模，就能够解决所有生物学问题。现在更需要弄清楚的是，模型在某项具体任务上的性能提升，能否转化为更广泛、更复杂的生物学预测能力。这一点还需要继续探索。

DeepTech：除了预测基因表达，研究者也开始尝试预测细胞随时间发生的变化。你们正在开发的 Devo 就是其中一项研究，它希望解决什么问题，目前进展如何？

周镜天：Devo 是我们合作开展的项目，近期应该会发布预印本。它的目标是根据细胞当前的状态，预测下一步会发生什么变化，并希望最终能够指导细胞向预期状态转变。

现在有些研究把这类模型称为“世界模型”（World Model），但大家对这个概念的理解还不完全一致。有些强调根据当前状态和外部干预预测下一步变化，有些则更强调对整个系统进行全面建模。一些自称世界模型的研究，也未必真正建立了状态、干预与后续变化之间的关系。

对于 Devo 来说，我们更关注具体的生物学任务。目前主要利用胚胎发育和部分类器官数据进行训练，对下一个时间点的细胞状态已经能够进行比较好的预测。

但如果要预测细胞在更成熟阶段的发育变化，或者进一步设计干预方案，让细胞按照预期方向发育，目前还有不少问题需要解决。这也是我们接下来希望推进的方向。

DeepTech：Devo 尝试预测细胞下一步的状态。如果进一步把遗传变异、基因、细胞乃至人体层面的信息联系起来，未来有可能出现一个跨尺度的通用生物学模型吗？

周镜天：我觉得肯定会有，这也是大家希望努力的方向。但整合不同生物学层次的信息，与单纯扩大模型规模并不是一回事。

生命系统存在不同的层次，从遗传变异、基因、细胞、器官到完整人体。理想情况下，如果模型预测一个人会发生某种变化，我们还希望知道，这种变化与哪个器官、哪类细胞、哪个基因，甚至哪个遗传变异有关。

所以，我觉得未来需要的是一种跨尺度（multi-scale）模型，能够把不同层次的信息联系起来。

但真正的困难在于数据。不同尺度的数据往往来自不同研究和样本，彼此之间缺少直接的对应关系。我们可能需要先分别训练不同层次的模型，再利用一部分相互配对的数据将它们连接起来。

而且，不同数据都有各自的噪声和偏差。如果不了解数据本身，即使把模型整合起来，也很难判断预测是否可靠。因此，构建跨尺度模型不仅需要更大的算力，还需要系统的数据采集和对生物学问题的理解。

至于什么时候能够实现，还取决于我们对模型能力的要求。目前不同尺度已经有一些模型，也可以尝试将它们连接起来，但什么程度才算真正有用的通用生物学模型，还没有明确标准。

（来源：bioRxiv）

AI 走进实验室，最终要解决什么问题？

DeepTech：要实现这样的模型，显然不仅需要算法，也需要大量数据和计算资源。近年来，一些大型 AI 公司甚至开始建设自己的生物实验室，你怎么看待这类公司越来越深入地参与生命科学研究？

周镜天：我觉得这是大势所趋。因为究竟怎样才能实现 AI 驱动的生命科学研究，目前还没有一套被证明最有效的方法，不同机构都在尝试自己的路线。

大型 AI 公司有资金和计算资源，能够开展一些传统小型实验室难以独立完成的项目，比如大规模采集数据、建设公共资源或者训练大型模型。

当然，外界也会质疑，有些机构是不是还没有想清楚科学问题，就投入了大量资源。但另一方面，可能也只有这些机构有能力集中如此庞大的资源，开展过去难以实施的研究。

至于他们采用的方法是不是最好的，现在很难评价。科学研究本身具有很大的不确定性，一些看起来未必最合理的路线，也可能在不断尝试中取得突破。

DeepTech：对于独立科研团队来说，大规模模型训练同样需要很高的投入。你们目前会通过哪些方式与产业界合作，获得这些研究所需的资源？

周镜天：会有一些不同形式的合作，不过目前我与产业界的直接合作还不算特别多。

对于大规模 AI 模型研究来说，计算资源是一个很重要的合作方向。例如，我们研究所之前的一项模型训练（Evo 2）曾使用 2,048 块 GPU，持续运行了大约两个月，并获得 NVIDIA 的支持。

这样的计算资源，普通实验室很难完全依靠自身条件获得。因此，未来科研机构与产业界在计算资源等方面的合作，可能会越来越重要。

DeepTech：不过，无论模型规模有多大，最终还是要回到真实的生物学问题。如果未来 AI 不仅能预测细胞变化，还能帮助研究者设计干预方案，你认为怎样才算真正实现了虚拟细胞的价值？

周镜天：我觉得最终还是要回到真实的生物学实验中去验证。

现在如果只是说一个虚拟细胞模型能够多准确地预测基因表达，可能已经很难让大家感到特别兴奋了。实际上，很多生物学研究者对“虚拟细胞”这个概念本身并没有那么大的兴趣，更希望看到的是模型能不能真正解决问题。

比如，能不能根据模型预测，设计出具有预期功能的细胞？能不能指导实验，让细胞实现某种原本难以实现的状态转换？我觉得只有出现一些经过实验验证的实际案例，才能真正推动这个领域的发展。

1.https://arcinstitute.org/news/jingtian-zhou-3d-genome

2.Zhou et al. (2026). Human body single-cell atlas of three-dimensional genome organization and DNA methylation. Science. https://doi.org/10.1126/science.adx0673

3.Guo et al. (2026). Integrative spatial profiling of 3D genome organization and gene expression in tissue. Cell. https://doi.org/10.1016/j.cell.2026.07.039

4.Yang et al. (2026). Macrophage-mediated brain-bone marrow crosstalk promotes chronic stress-induced glioma growth. Cancer Cell. https://doi.org/10.1016/j.ccell.2026.05.018

5.Liu et al. (2026). Predicting cell-state-specific gene regulation from DNA across species. bioRxiv. https://doi.org/10.64898/2026.10.19.760026

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成