生物模型

44% 的距离:Illumina 靠「统计搬运」赢下虚拟细胞挑战赛,但冠军分数不等于准确率,开源版也复现不了它

2026年11月22日3 次阅读Read in English
44% 的距离:Illumina 靠「统计搬运」赢下虚拟细胞挑战赛,但冠军分数不等于准确率,开源版也复现不了它

44% 的距离:Illumina 靠「统计搬运」赢下虚拟细胞挑战赛,但冠军分数不等于准确率,开源版也复现不了它

3分钟看懂

  • 谁赢了:2026 年 11 月 19 日,Arc Institute 公布第二届 Virtual Cell Challenge 结果。Illumina 的 BioInsight AI Lab 用一套叫 CellularAI 的算法拿到第一,最终测试分 0.4399;第二名 FlowState 0.3348,第三名 Xaira Therapeutics 的 X-team 0.3263。冠军奖金 10 万美元,一半现金一半 NVIDIA Brev 算力额度。
  • 比的是什么:只给每个新细胞系的未扰动对照细胞(18,400 个细胞、46 条非靶向 guide),不给任何扰动数据,让模型预测 300 个 CRISPRi 敲低之后每个基因的表达变化,每个敲低要生成 400 个虚拟细胞。测试细胞系是 AC16(心肌细胞)、MOLM13(急性髓系白血病)、U-87MG(胶质母细胞瘤)。
  • 0.4399 是什么意思:Arc 的评分尺上,0 = 细胞背景均值(把所有敲低的效果平均掉),1 = 一次独立的重复实验。冠军覆盖了从均值到重复实验之间 44% 的距离。Arc 在同一页里明确写:这个数字不代表准确率,而且六项指标彼此差得很远——Illumina 的 PDS 有 0.8313,JACCARD 只有 0.0642。
  • 怎么赢的:不是端到端大模型,是统计迁移。先把「同一个基因在别的细胞系里被敲低后发生了什么」从多个公开和私有数据集里汇总成一个共识效应,再按「哪条细胞系的对照细胞最像新细胞系」「哪份数据噪声大」「敲低效率高不高」加权,最后直接改造新细胞系的真实对照细胞,把预测的倍数变化叠上去。没有证据的基因一律不动。
  • 同期放了什么:Illumina 同日开源首版算法,GitHub Illumina/CellularAI,Apache-2.0,仓库 11 月 12 日建、11 月 19 日推最后一批代码。

> 基于多家媒体转述整理:赛事方复盘、Illumina 新闻稿与技术博客、TIME 采访、独立技术分析与 GitHub 仓库交叉核对。

为什么这一届比上一届难,也更能说明问题

2025 年第一届的思路是「同一套细胞里预测没测过的扰动」:给 H1 人胚胎干细胞的扰动数据,让模型在同一种细胞里泛化。2026 年直接把这层台阶抽掉了——没有训练集,只给新细胞系的基线状态,让模型跨细胞类型外推。

Arc 在官方复盘里解释了为什么值得这么设计:真正想扰动的细胞类型往往扰动不了。稀有细胞、离体就停止增殖的原代细胞、无法忠实培养的病变细胞、依赖原生微环境的组织状态,都属于这一类。虚拟细胞要有用,就得能拿「能做的实验」去补「做不了的实验」。

数据也是按这个标准造的:六个细胞系各测了 超过 10,000 个 CRISPRi 敲低,实验团队累计处理超过 10 亿个细胞,深度测序超过 3,000 万个细胞(中位 20,000 UMI/细胞),每个细胞系超过 8,000 亿条 UG100 reads。只保留中位 on-target 敲低效率 ≥80% 的扰动,再降采样到每个敲低 400 个细胞,保证六个细胞系的覆盖度、深度和敲低效率可比。

冠军方法拆开看:三步,没有一步是「生成」

Arc 复盘和 Illumina 技术博客给出的流程可以压成三步,第三步是这套方法最有辨识度的地方。

第一步:把各家的证据汇成一个共识

对每个训练数据集做协变量校正回归,得到每个基因、每个扰动的 log fold change、标准误和显著性,再跨扰动做中心化以修正系统性膨胀。然后把多个数据集合成一个针对新细胞系的预测,用的是随机效应 meta 分析:每份数据拿到的权重取决于三件事——它的对照细胞和新细胞系有多像、它的估计有多吵、它的敲低有多高效。

关键设计是:meta 分析同时估计「超出各自噪声之外的分歧」。也就是说,当几个数据源互相打架时,不会有哪一个因为样本大就压倒其他所有来源。Illumina 博客用的比喻是气象站:预报员不会只用最近的那个站,而是把多个站的读数按仪器可靠性加权,并承认地形和海拔本身就会造成差异。

第二步:用新细胞系自己的对照细胞做校正

共识效应还不能直接用,因为不同细胞系的表达背景不同。团队用奇异值分解找出跨数据集的主要响应模式,再拟合一个 ridge 回归,学习「一份数据的对照表达如何沿这些模式平移它的 log fold change」。把新细胞系的对照谱喂进去,就得到对这个预测的修正量。

第三步:不从零生成细胞,改写真实细胞

这是 CellularAI 与常见「细胞生成模型」最大的区别:它不凭空造细胞。它从新细胞系的真实未扰动细胞出发,按预测的 log fold change 把每个基因的表达往上或往下推,没有证据支持的基因原样保留。

好处是虚拟细胞天然带着真实单细胞数据的自然波动——大部分基因只在部分细胞里被测到,表达量分布的长尾也在。代价是模型的输出被参考实验和预测效应双重约束:它回答的是「已知相似细胞里的敲低响应能不能迁移到新背景」,而不是「任意细胞状态下的任意干预会怎样」。

关于基因层面的判断,Illumina 博客列了几条原则:多个细胞类型一致时才给强预测;证据弱、稀疏或矛盾时,默认输出「不变」;细胞系越相似权重越大,但设上限防止单一近邻主导;对表达量极低的基因做保守收缩,因为「本来就没表达多少的基因没有多少下降空间」。

训练侧还有两个值得记的细节:除 Billion Cell Atlas 外,用了三套公开的全基因组 CRISPRi Perturb-seq(iPSC、hPSC、原代 CD4+ T 细胞各一套);方法本身的迭代调参用了跑在 8 张 NVIDIA H200 上的 LLM 研究智能体,但预测和细胞合成都在 CPU 节点上完成。

榜单和分项:赢在哪、输在哪

| 队伍 | 总分 | PDS | MSE | NMAE | FIDELITY | REACH | JACCARD |

| --- | --- | --- | --- | --- | --- | --- | --- |

| BioInsight AI Lab(Illumina) | 0.4399 | 0.8313 | 0.6842 | 0.4399 | 0.1908 | 0.4288 | 0.0642 |

| FlowState | 0.3348 | 0.8363 | 0.3632 | 0.3286 | 0.1695 | 0.3128 | −0.0018 |

| X-team(Xaira) | 0.3263 | 0.7346 | 0.4681 | 0.3038 | 0.0659 | 0.3186 | 0.0667 |

六项指标的分工:PDS 问「预测出的效应是不是更像它自己的真实效应,而不是别的敲低的」;MSE 看去掉采样噪声后的表达误差;NMAE 看真正变化的基因上 logFC 的误差;FIDELITY 看被判定为差异表达的基因方向对不对、数量是否匹配;REACH 看显著性排序往下走多远方向还对;JACCARD 看显著基因集合的重合度。

三件事值得单独说:

  1. 区分扰动做得不错,还原细节做得不行。PDS 三队都在 0.73 以上,甚至 FlowState 的 PDS(0.8363)还略高于冠军。但 JACCARD 上冠军只有 0.0642,第三名 0.0667,第二名是负的。Arc 自己也说,即便是最好的一份提交,JACCARD 也只有 0.07。
  2. 难度不均。所有决赛提交里,超过九成在 PDS 和 REACH 上高于背景均值,八成在 NMAE 上高于;但只有约六成在 FIDELITY 上做到,约四成在 MSE 上做到,JACCARD 只有约三分之一。
  3. 两个榜不可直接比。验证集用 Cal-33、HeLa、Jurkat,测试集用另外三条细胞系,靶点面板也不同(测试集 300 个敲低里 129 个与验证集重叠、171 个是新的)。638 支同时挂在两个榜上的队伍,验证分与测试分的 Spearman 相关是 0.78,但只看前 20 名,这个相关系数掉到 0.49。

最该被记住的边界:这 0.4399 背后有多少是「搬运」的功劳

Arc 在复盘里主动写了这段话,值得完整理解:300 个测试靶点中,绝大多数早就在别的细胞系里被敲过——277 个出现在 Replogle 等 2022 年的 K562 全基因组筛,298 个出现在 X-Atlas/Orion 的 HCT116 与 HEK293T 筛,21 个在 U-87MG 的激酶组筛里被靶向过。300 个里只有 1 个完全没有公开扰动数据。

所以「不做任何学习、直接把已测的响应搬到新细胞系的对照细胞上」就能恢复相当一部分扰动特异信号——因为一个敲低的下游特征本来就大量跨细胞类型共享。Arc 明说:三支获胜队伍全部建立在这类参考搬运之上,区别只在如何加权证据、如何适配新细胞系、如何把预测效应变成细胞。

同样要拆开的是「zero-shot」这个词。它指的是「比赛没有提供这六个细胞系的扰动数据」,不是「模型没见过这些基因」。队伍可以拿任何公开或私有数据训练——Illumina 用了自家 Billion Cell Atlas,Xaira 用了自家 3,700 万细胞以上的 Perturb-seq,第二名 FlowState 是两个人独立做的、只用公开数据(128 项研究、222 个数据集、86 种细胞背景)。

TIME 的报道把这件事说得更直白:数据多少直接体现在成绩上,而 Illumina 拥有自己的图谱。TIME 同时采访了竞赛负责人 Hani Goodarzi(Arc 的 AI 研究负责人、UCSF 生物化学教授)和未参与比赛的西北大学化学与生物医学工程教授、CZI Biohub 生物工程总裁 Shana Kelley。Goodarzi 说这届参赛规模「是个惊人的数字」,「今年所有人都跳进来了」;Kelley 的判断是,要训到 AlphaFold 那种程度,「可能需要几十亿、甚至几万亿个数据集」。

另一个来自 TIME 的观察也值得记:模型在「整体图景」上表现不错,但在不同细胞类型各自的特性上表现较差——而这恰恰是虚拟细胞最核心的部分。

开源了什么,没开源什么

Illumina 同日放出了首版算法,Illumina/CellularAI,Apache-2.0。仓库含预测、验证、合并、评估代码,方法说明、配置,以及一个合成示例。GitHub API 显示仓库创建于 2026-11-12,最后一次推送在 2026-11-19。

但「开源」在这里要拆成三层看:

  • 代码层:能看、能改。 池化、背景相似度加权、残差修正、细胞合成、质量门控都在里面。
  • 数据层:要另申请。 README 写明完整运行需要一个受访问控制的 summary bundle,入口是 catalog.json;Billion Cell Atlas 通过联盟合作模式提供,要发邮件谈。仓库不包含从原始训练数据生成这些摘要表的预处理链。
  • 成绩层:不能直接复现。 仓库自带的合成示例是 30 个基因、3 个扰动、1,200 个细胞的虚构数据,README 自己写清楚:只验证数据流与输出结构,不代表预测准确度或生物学真实感。

更微妙的是两处官方口径的张力。Illumina 博客写:「这一版不包含 Billion Cell Atlas,也没有在 Atlas 上训练」,CellularAI 提供的是「能跑在参考库(例如 Atlas)上的分析框架」;而 GitHub README 又说方法由「从 Billion Cell Atlas 及公开 Perturb-seq 数据生成的预计算摘要表」驱动。两句大概率分别在说「开源代码包」和「夺冠方法实际使用的参考数据」,但两处文档都没有逐项讲清「哪一版配置对应哪一批摘要数据」。能同时确认的是:完整跑起来必须另拿数据包,且数据受单独许可约束。

厂商自评的另一个数字也要标清来源:Illumina 在 H1(2025 年挑战赛数据)、K562(Replogle 筛)、HEK293 三个有真值的背景上做了留出——每次都把该细胞系自己的数据从参考库里删掉——并称完整算法相对「跨细胞响应均值」约 2 倍。这是厂商自己的验证叙述,细节论文要等到 2027 年初,目前没有第三方复核,也不能和 Arc 的 0.4399 换算比较。

怎么用:三类人现在能拿它做什么

第一类,有自己 Perturb-seq 数据的实验室。 按 README 走:clone 仓库 → 建 Python 3.12 环境(并行阶段需要 Linux)→ 先跑 examples/synthetic/run_example.py 确认管线和输出格式 → 再准备自己的参考摘要、任务基因表、扰动清单和至少一个目标细胞背景的对照 .h5ad。注意第一步只验管线,不验预测能力,别把「跑通了」当成「准了」。

第二类,想评估而不是使用的团队。 现在最有价值的动作是复现这套评估协议,而不是复现分数:以「整个细胞背景」为单位留出(不要在同一背景里随机拆训练/测试),同时报告三个基线——预测均值、未校准的参考搬运、CellularAI 完整流程——并按背景和指标分层呈现。

第三类,只是想知道这个领域走到哪了的人。 记三个坐标就够了:区分扰动(PDS 0.83)已经做得不错,还原差异表达基因集合(JACCARD 0.06)几乎还没开始;冠军的分项里最强的和最弱的差了一个数量级;三支获奖队伍没有一个是端到端模型。

适用场景

  • 已经有一批相似细胞类型的扰动数据,想对一个新的、测不了的细胞背景先做出可检验的假设,再决定要不要花湿实验的钱。
  • 需要在进湿实验前,把候选基因/靶点的优先级排一排,尤其是想利用公共 Perturb-seq 语料(Replogle、X-Atlas/Orion、ENCODE、LINCS 等)。
  • 想审一套「可解释的迁移方法」:哪些参考数据进来了、按什么权重借、怎么校正新背景、什么条件下拒绝输出——这些在 CellularAI 里都是可检查的步骤,不是黑箱。

不适用场景

  • 不要拿它预测药物。这一届的任务定义是「CRISPRi 敲低 → 转录组」,输入里没有剂量、没有化合物、没有组合扰动,输出也没有空间位置和表型读出。用它谈药效等于换了一个问题。
  • 不要把它当成「细胞模拟器」。它输出的是表达计数矩阵,不是细胞功能、形态或组织行为;底层机制是统计迁移,不是物理或因果模拟。
  • 不要用它替代湿实验做决策。0.4399 是「离一次重复实验还有 56% 距离」的意思,Arc 自己都说离目标「还有很长的路」。
  • 不要指望开箱复现榜单。没有官方数据包和竞赛配置,同一个程序换一套参考数据覆盖、换一套预处理版本,差异可能来自数据而不是算法。

避坑:四个容易踩的误读

  1. 把 0.4399 当准确率。 它不是百分比正确率,是相对「均值基线」和「重复实验」两个锚点的位置。分项里 JACCARD 只有 0.0642,说明显著基因集合基本没对上。
  2. 把 zero-shot 理解成「没见过这些基因」。 300 个靶点里 299 个在别的细胞系有公开扰动数据,只有 1 个是全新的。真正的零样本只发生在细胞系这一维。
  3. 把参考搬运的效果算成模型能力。 三支获奖队伍都建立在这一步上;Arc 主动提示「简单搬运就能恢复很大一部分信号」。评估任何类似模型时,必须先跑「直接搬运」和「预测均值」两个基线,否则会把基线功劳算给模型。
  4. 把「开源」当成「可复现」。 代码 Apache-2.0 是真开源;数据要单独申请,预处理链不在仓库里,合成示例是虚构的 30 个基因。云生信在 11 月 22 日的分析里把这层拆得比较干净,结论是「能读代码、能检查流程,不等于能原样复现 0.4399」。

成本和时间

  • 算力:官方说预测与细胞合成跑在 CPU 节点上,没有公布单次任务的时长或成本;方法迭代阶段的自动化调参用了 8 张 H200,那部分不是使用者需要承担的。
  • 数据:这是真正的门槛。Billion Cell Atlas 走联盟合作,summary bundle 要单独申请并受许可约束;只用公开 Perturb-seq 语料可以跑(FlowState 就是这么做的),但覆盖度和结果会不同。
  • 论文:完整方法论文计划 2027 年初发布,届时「2 倍」这类自评数字才有可核对的细节。

下一步可以盯什么

  1. 2027 年初的方法论文:重点看留出设计(是否以整个细胞背景为单位)、基线设置(有没有直接搬运和均值基线)、以及 2 倍这个数字的具体口径。
  2. 有没有团队用纯公开数据独立复现:如果只用公开 Perturb-seq 摘要、严格按 README 跑,在预先锁定的多个留出背景上稳定超过「跨背景直接搬运」基线,那「开源形成了可独立验证的迁移方法」才立得住;如果只有合成例子能跑,开放的价值就主要停在透明度。
  3. 第三届挑战赛:Goodarzi 说会「每年一直办下去,直到我们有一个虚拟细胞」。下一届在 2027 年夏天启动,届时任务是否会加药物、剂量或组合扰动,是判断这条路线边界的关键。
  4. Billion Cell Atlas 的对外开放程度:现在 200 多个细胞系、5 亿以上单细胞是联盟内资产。数据能不能被外部审计,决定这个领域的「可复现性」是被一家公司握着还是行业共享。

参考来源

  • Arc Institute,《Virtual Cell Challenge 2026: Winners and Wrap-Up》,2026-11-19:https://arcinstitute.org/news/virtual-cell-challenge-2026-wrap-up
  • Illumina 新闻稿,《Illumina Wins Virtual Cell Challenge, Powered by Billion Cell Atlas》,2026-11-19:https://www.illumina.com/company/news-center/press-releases/2026/29411.html
  • Illumina 技术博客,《Introducing the CellularAI algorithm》,2026-11-19:https://www.illumina.com/science/genomics-research/articles/introducing-the-cellularai-algorithm--predicting-single-cell-res.html
  • TIME,《Scientists Are Pursuing the Dream of a 'Virtual Cell'》,2026-11-20:https://time.com/article/2026/11/20/scientists-are-pursuing-the-dream-of-a-virtual-cell/
  • Snape Report,《Illumina's CellularAI wins Arc Institute's 2026 Virtual Cell Challenge》:https://snapereport.com/s/illumina-cellularai-wins-arc-institute-virtual-cell-challenge-2026
  • Biotech Today,《Illumina Opens CellularAI After Virtual Cell Challenge Win》,2026-11-20:https://biotech-today.com/illumina-opens-cellularai-virtual-cell-challenge-win/
  • 云生信,《CellularAI开源了:离复现虚拟细胞挑战赛冠军还差什么?》,2026-11-22:https://www.biocloudservice.com/wordpress/cellularai-open-source-reproduction-20261122/
  • GitHub,Illumina/CellularAI(Apache-2.0):https://github.com/Illumina/CellularAI

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...