为什么细胞数字孪生至关重要
如今的药物研发如同一场豪赌。研究人员花费数年时间调整分子，然后在细胞、动物，最后在人体中进行测试。大多数候选药物甚至无法通过早期人体试验。一个能够预测细胞反应的可靠计算模型，将使科学家能够及早剔除死胡同化合物，并将资源集中在最有希望的先导化合物上。
Arc 将细胞视为一个可以在计算机中（in silico）进行模拟的系统，就像工程师在飞机离地飞行前对其进行建模一样。如果模拟能够重现真实细胞在给定扰动下表现出的基因表达变化，那么昂贵且耗时的实验需求就会大幅减少。
“State” 模型——基于 1 亿个细胞训练的 Transformer
该平台的核心是一个名为 State 的 Transformer 风格神经网络。Transformer 为大型语言模型提供动力；而在这里，它们摄取的是生物数据而非文本。State 从一组经过精选的 1 亿个单细胞测量值中学习，捕捉遗传扰动与下游表达模式之间的统计关系。
Arc 表示，State 的表现优于依赖简单统计技术的早期模型。团队也承认了一个关键局限性：当模型遇到训练期间从未见过的细胞类型时，其预测能力会下降。研究人员估计，一个能够推广到所有人类细胞类型的“完美”模型，距离实现可能还需要大约十年时间。
模型实测：Virtual Cell Challenge
为了衡量 State 及其他方法在现实环境中的表现，Arc 组织了一场名为 Virtual Cell Challenge 的公开竞赛。参赛者收到了一组具有挑战性的数据集，并被要求预测未知扰动下的基因表达结果。结果令人警醒：许多 AI 团队的表现甚至不如训练数据的简单数学平均值。
这一结果凸显了该领域一直面临的一个更广泛的问题：纯深度学习模型，即使是大型模型，在面对噪声、稀疏或生物异质性输入数据时也会表现不佳。成功的提交方案将神经网络与经典统计方法相结合，这表明混合工作流可能是近期的发展路径。
清理乱象：scBaseCount 数据流水线
构建像 State 这样的模型，最大的障碍之一就是数据质量。原始单细胞测量数据充满了批次效应、缺失值和不一致的注释。Arc 通过设计一套名为 scBaseCount 的 AI Agent 套件来解决这一问题，该套件实现了数据整理的自动化。
- Finder agents 爬取公共数据库并下载原始文件。
- Organizer agents 标准化格式、对齐元数据并解决命名冲突。
- supervisor agent 审计输出结果，标记异常情况以供人工审核。
该流水线已汇集了一个包含约 5 亿个细胞的库——是此前最大的公共集合的四倍。庞大的数据量结合系统化的清理，为 State 提供了比早期研究更丰富、更可靠的训练场。
在实践中学习：反馈闭环
Arc 不仅仅依赖历史数据。该平台运行着一个主动学习循环：AI 提出新的实验方案，实验室执行实验，并将结果反馈回模型。在实践中，一个 AI Agent 会选择一个基因进行敲除或应用某种药物，在真实细胞上运行实验，观察到的表达变化会进一步优化 State 的参数。
这个闭环有两个目的。首先，它通过针对模型当前盲点的数据点不断扩大训练集。其次，它提供了一个内置的验证步骤，确保预测是基于经验证据，而非仅仅停留在表面。
这对 AI 工程师和生物技术公司意味着什么
Arc 的公开披露可以总结为两条实用的经验教训：
- 数据质量胜过模型复杂度。 在噪声大、不完整的数据上训练的复杂 Transformer 模型，其表现将不如使用精心策划的输入数据的简单算法。scBaseCount 流水线提醒我们，投资于数据工程所能带来的收益，可能比盲目追求更大的模型规模更为显著。
- 验证闭环至关重要。 在没有外部检查的情况下盲目信任模型的输出是冒险的，尤其是在未知混杂因素层出不穷的生物学领域。通过嵌入能够相互交叉验证、或将预测结果与现实世界实验进行对比的智能体 (agents)，可以构建起一个能够及早发现系统性错误的防护网。
前路与质疑者
虽然前景明朗，但这项技术远非开箱即用的解决方案。State 在处理未见过的细胞类型时的困难表明，该模型仍缺乏对底层生物学的真正理解。Virtual Cell Challenge 的结果显示，当问题定义不明确 (ill-posed) 时，即使是资金充足的 AI 团队，其表现也可能不如简单的基准模型 (baselines)。