FIELD NOTES 首页 / Latent Space
Latent Space播出 2026.11.0650:5022 章约 29 分钟读完整理于 2026.11.07

迷你大脑、跳动的心脏类器官,以及预测它们的 AI——Fabian Theis,Helmholtz Munich

本期从单细胞图谱和转录组学讲起,讨论扰动数据、类器官及多细胞系统如何推动虚拟细胞研究。Fabian Theis解释了归纳偏置、简单线性基线、基础模型扩展规律,以及 Nicheformer、scConcept 和 CellFlow 等工作如何从细胞表示走向状态预测。对话也谈到实验指标、德国科研与创业生态、平台公司的商业化难题,以及把湿实验、计算建模和下一轮实验连成闭环的组织方式。Theis还说明,虚拟细胞不仅要表征细胞状态,也要预测干预后的变化;当前研究应谨慎对待噪声、评估指标和过拟合,并用实验数据检验模型。最后,他介绍跨领域双导师培养和 LabCompass,讨论如何让模型提出的实验建议进入真实实验流程,形成反复迭代的学习闭环。

01 0:02 610 字

从单细胞图谱走向预测与实验引导

Fabian Theis

现在我们真的可以开始引导实验了。以前我们构建人体细胞图谱,主要是在做“绘图”;后来讨论的是世界模型的预测问题,也就是从绘图走向预测。现在,我们可以进一步引导下一次实验。说实话,很多论文最后交付一个模型,也许配一张概念图,再做一点验证,然后大家通常就开始下一个项目了。当然会学到一些东西,但这并不是持续学习。我们现在做的一个新东西叫 LabCompass。它是一个逆向生成模型:有了正向的世界模型之后,它可以告诉你该怎么做,才能到达某个目标状态。终极愿景显然是把所有事情都纳入强化学习,也让强化学习进入这个闭环。听起来有点超前,但我觉得我们正在慢慢接近。

RJ Honicky

欢迎收听 Latent Space 的 AI for Science 播客。我是 Miro Omics 的首席技术官 RJ Honicky。我的联合主持人 Brandon Anderson 也来了,他在 Atomic AI 开发 RNA 疗法。我很难充分表达 Fabian Theis 及其团队和公司对系统生物学发展、以及虚拟细胞概念不断演进所作的贡献。他实验室发表论文、推出模型的速度,比我读得还快;他们一直在推动我们理解如何观察细胞的行为与相互作用,并对其建模。同样重要的是,他的工作常常致力于打造研究人员日常真正会用到的工具。大多数计算生物学家大概都用过 Scanpy 和 AnnData。他们的工作还促成了 scverse 的诞生,这是一个非常出色、汇集了大量

02 1:35 1,170 字信息密度高

Biohub 的 18 亿美元投入:为什么现在做虚拟细胞?

RJ Honicky

……开源工具,吸引了许多贡献者。Fabian 当然也是其中一位学者,他获得的荣誉多到根本列不完。简单说,他在 Helmholtz Munich 及相关机构领导多项 AI 和计算生物学工作,也参与许多产业项目。Fabian,很高兴见到你,谢谢你来参加节目。

Fabian Theis

谢谢邀请,我很期待这次讨论。

RJ Honicky

我关注你的工作很久了,终于能请你来节目聊聊,实在很荣幸。先从眼下的热潮聊起:结构生物学受到很多关注,Anthropic 和 OpenAI 的生物制药计划目前也把重点放在分子设计上。相比之下,虚拟细胞和系统生物学最近受到的关注似乎少一些。Zera 和 Noetik 可能是不错的反例,不过 Biohub 刚宣布与美国能源部、NIH、Meta 和 Google 合作,投入 18 亿美元收集并开源多尺度生物数据,用来开发新一代虚拟细胞。你觉得,随着学术界现在的这些动作,制药行业会不会重新关注虚拟细胞?

Fabian Theis

回答之前我先说明,我的看法很学术。我的创业公司朋友和同事每天都身处其中,他们对创业公司生态的了解,就像我对各个研究实验室的整体情况和直觉一样;他们知道哪些是当下的大热点、有哪些投资正在发生。我对创业公司的了解没有那么深入。不过,你提到的 Biohub 计划也和人类细胞图谱(Human Cell Atlas)紧密相关。这是一个国际性的、真正遍及全球的联盟,推动下一阶段的数据集生成。我确实认为,很多因素会让这类工作扩大规模:模型在生成式任务上的表现越来越好,分子层面的“实验室闭环”也正被带到更高一层,真正应用到细胞层面。

我觉得原因有很多。第一点可能也是最重要的一点,正如你刚才提到的,就是数据生成。虚拟细胞这个概念已经存在一段时间了。我的实验室在 2019 年开始做扰动预测建模和机器学习,当时发表了一篇叫 SEGAN 的论文。那是个非线性模型,但本质上是在潜在空间里做线性变换。它表现还不错;直到今天,许多近似线性的方法仍然做得很好。原因是,当时的数据集以及基于它们提出的问题都还比较简单,所以这个方向还没真正起飞。

人们谈虚拟细胞时——也包括你刚才的问题——实际想问的可能是:能否预测一个细胞在各种扰动下会如何表现?这是个很深的问题,甚至可以说是计算生物学、系统生物学的圣杯之一。细胞是一个带记忆的输入输出系统,里面有各种属性,也有不同层级的分子,不只是 RNA。要把这一切描绘出来,甚至还得问“理解”究竟意味着什么。这算是一个元问题,但我认为,如果你能根据不同输入预测系统的输出行为,就说明你理解了它,至少是把它建模得很好。因此,这是个很好的问题。如今人们常把虚拟细胞等同于扰动预测,我觉得这有些过于简单化了。不过,扰动预测模型——也许这就是你所说的虚拟细胞——正在创业圈迅速发展。我觉得那边的势头很猛;我关注美国和欧洲,也关注中国生态,那里也有很多这类

03 5:35 67 字

Biohub 的 18 亿美元投入:为什么现在做虚拟细胞?(续)

Fabian Theis

……现在还有不少其他相关项目在开展。我希望这不只是因为大家都给自己的项目加上“AI”,就像火星子一样短暂引燃;而是因为制药行业确实……

04 5:44 772 字信息密度高

扰动数据的爆发

Fabian Theis

……他们迫切需要筛选能针对特定细胞类型的情境,但目前还做不到。

主持人

你能再展开讲讲扰动吗?我们最近和 Zera 聊过,他们在做扰动筛选。这能带来什么?下一代数据除了这些,还能解锁什么?

Fabian Theis

对我来说——如果我讲得太远你就打断我——我做机器学习科学家已经很久了,做过各种事情,但很早就开始接触单细胞和 qPCR。老实说,起初吸引我的也不完全是生物学本身,而是样本量大。很早就能看出,qPCR 的规模会越来越大;后来转录组数据也迅速膨胀。我刚入行时,我们只有少数几个 RNA 样本,现在可能已经有几千个了。这是早期的变化。后来又进入一个新阶段,有一次让我特别开眼界:PacBio 有个项目好像叫 GigaLab。现在竞争对手也有类似项目,但他们当时能在一次实验里测量一千万个转录组,这简直是跨越式进步。

过去只是收集更多 PBMC(外周血单核细胞)作为对照,现在则开始真正大规模地做实验。我们原本在细胞空间里有很多观测,但扰动空间里的数据非常稀少,通常只有对照组和疾病组之类。也就是说,细胞观测点很多,扰动空间里的采样点却少得多。现在这方面正在爆发:可能有 100 种不同细胞系,做完整的扰动筛选,比如全基因组 CRISPR;也可能加入一整套药物,达到 1,000 种左右。这样一来,空间突然变得丰富,就可以开始做各种复杂的扰动预测了。如今事情正以惊人的规模发生。我们自己也参与了很多项目,已经不只研究细胞系,还在做类器官扰动实验。如果有时间,我们可以再详细聊聊,因为我很确信,要得到真正有意思的读出,就得研究多细胞系统。大家都在把这些规模往上推,之后甚至可能把人类遗传学本身也当作一种扰动。

主持人

能不能先解释一下什么叫“扰动”?你说的扰动具体指什么?给不熟悉这个概念的听众讲讲。

Fabian Theis

可以。不过你介意我再往前退一步,先讲讲我们说的“测量转录组”到底是什么意思吗?你刚才……

05 8:22 1,023 字

转录组与扰动:概念解释

主持人

你刚才说的基于 PCR 的方法,还有 Perturb-seq。

我在公开演讲时常这样解释:人类基因组计划让我们拿到了人体的“基因组”,而且身体各处基本相同。那为什么我们还有这么多不同的细胞类型?其中一个原因是,不同细胞会读取基因组中的不同内容。这些信使 RNA(mRNA)会编码后续生成的各种蛋白质;在不同细胞里,它们的表达量不同。人体大约有两万个不同的基因,考虑到剪接,实际形式还要多得多。粗略来说,每个细胞都可以表示成一个两万维向量:其中很多位置是零,其余数值表示这个细胞里有多少对应的 mRNA。因为这些分子叫转录本,所以这组信息就叫转录组。

实际分析时,我们经常把两万维空间编码到更易处理的潜在空间里。细胞云会落在其中一个低维流形或子空间上;每个点代表一个细胞。点聚成一团,我们就称之为一种细胞类型;如果点排成一条类似香肠的轨迹,就可以把它看成细胞分化轨迹,比如受精卵逐渐形成身体里的各种细胞类型。

主持人

所以 DNA 像一本食谱,或者一堆基因像各种食材;每个细胞则像一道独特的菜,由不同食材组合而成。转录组学就是分析不同的菜、把它们拆开,看看用了哪些食材。这个比喻是不是很糟?

Fabian Theis

我家孩子都很爱美食,我会多用这个比喻,我喜欢。

主持人

太好了!那扰动就是以某种方式改变基因组或转录组,让转录本发生变化。通常会用 CRISPR 敲除:从基因组里移除一个基因,让细胞不再表达它,然后观察扰动导致哪些表型变化,也就是生物学上的实际变化。大致是这样吗?

Fabian Theis

对。不过我补充一步:你说得完全没错,但把一个基因彻底敲除属于比较极端的扰动。进化过程中确实会发生这种事,但大多数变化更微妙。当然,为了理解系统,拿掉某个组成部分是个好办法。正常发育或稳态下,细胞一直在彼此交流,处于复杂的多细胞状态中。细胞之间有各种通信;它们不断接收外部信号并作出反应。

所以我认为,扰动空间其实就是作用于细胞的输入空间。输入可能只是旁边有另一个细胞、发生了某种信号传递,可能是某种浓度梯度或激素,也可能是人为调高或调低某个因素。制药公司做体外药物筛选时,把细胞放进培养皿,还可以改变培养基条件,这些都会产生很大影响。对我来说,人们设计培养基配方仍然有点像生物学驱动的炼金术:大家调出不同的“鸡尾酒”,试着把皮肤细胞变成更接近胚胎状态的细胞,再用它们生成新细胞,帮助修复身体组织。比如山中因子,就是诺贝尔奖级别的发现。总之,可对细胞施加的扰动构成了一个非常丰富的空间;它甚至可以包括基因本身发生的变化……

06 12:23 347 字

转录组与扰动:概念解释(续)

Fabian Theis

……可能是彻底敲除,也可能是更微妙的变化,比如人类遗传变异。我认为所有会影响细胞状态的因素都应该纳入一个大的空间。虚拟细胞模型应该把它们全都考虑进去,当然还要考虑这些因素的组合,以及疾病发生、时间等对细胞造成的影响。

主持人

这和类器官的概念很有联系。你能讲讲类器官是什么吗?它和扰动空间有什么关系?除了改变这种细胞所处的环境,还能对它做什么?

Fabian Theis

我第一次听说——更准确地说,是第一次了解到这个概念时,真的很惊讶。我是个受过很多训练的生物学家,通常靠读资料或和同事朋友交流来了解新东西。我第一次看到人们能把细胞——比如从人体取出的细胞,甚至癌细胞——培养起来,让它们长成小型多细胞系统,细胞还能彼此连接,真是震撼。现在人们可以把一些细胞放进培养皿,培养出迷你大脑,本质上是一群神经元,它们会开始彼此连接,……

07 13:30 689 字信息密度高

类器官与多细胞生物学建模

Fabian Theis

……神经元会彼此连接、互相交流。研究者还证明,培养皿里的迷你大脑能够进行计算。类似地,人们可以把心脏细胞培养成小型心脏类器官。我们和一些很棒的本地合作伙伴一起做这方面的研究,培养出的细胞团真的会跳动——培养皿里会有一团团会跳动的心脏细胞。除了脑和心脏,也有更简单、效果很好的系统,比如结肠;还有各种癌症模型。

类器官也能用于研究那些难以取得组织样本的疾病。比如想研究某种神经退行性疾病的遗传学,通常很难拿到相关组织。于是可以取皮肤细胞,把它们分化成迷你大脑,再在那里研究一些问题。我觉得,在培养皿里复制器官的一小部分,也就是所谓的类器官,非常有意思。当然也有不少局限,比如常常缺少免疫细胞、缺少免疫系统,也可能没有合适的供养机制。但它们仍然比只有一种细胞类型的细胞系丰富得多。

主持人

转到建模这边,我们该怎么给类器官建模?

Fabian Theis

这正处于研究前沿。大家还没有就最佳建模方法达成共识,尤其是我们还没有足够多的数据。Jay,你如果我理解得没错,参与了不少空间组学,以及 H&E 病理图像相关工作。病理学有非常多的样本,而且现在空间组学也越来越多。我认为,我们甚至还没解决如何表示空间上彼此连接的数据集;还得把它们拆解到类器官层面来分析。相比解离后的细胞,这些数据的表示方式还没那么清楚。

再把问题简化一点:看解离细胞的空间时,我们能看到一些群组,并用“细胞类型”这个很好的概念来描述它们——当然,这是人类加上去的分类,自然界并不在意这些标签,但它帮助我们理解复杂性。可是,对于局部细胞群落,我们还没有类似的概念。或许有一点,但在 H&E 图像里也是如此。我常和病理学家交流、观察他们的工作,他们往往……

08 15:44 389 字

如何表示细胞邻域

Fabian Theis

……病理学家的判断很定性,可能还没到可以直接计算的程度。所以我觉得我们需要发展一套分类语言,帮助自己理解这些结构。计算上也得想清楚怎么处理。现在基本上是把它们表示成细胞的分布,但我觉得还可以做得细致得多,比如用图结构来表示。

主持人

一方面是“苦涩的教训”:减少归纳偏置,最终可以利用更大的、适用于问题的数据集,从而得到更准确的模型,因为覆盖的分布更广。但另一方面,似乎也有一种相反的趋势,可以叫“反苦涩教训”或苦涩教训的另一面:在某个领域数据匮乏时,就必须加入很多归纳偏置,才能获得足够的统计能力、做出可靠推断。还有另一层意思,我记得前不久和 John Platt 讨论时,他提到预测模型和描述性模型的区别。科学家真正想要的是一种简化后的描述性模型,让你能说:“我测试过所有苹果,重力对苹果的作用是这样的。”然后再把它抽象成一个普遍概念,让我们知道它对植物也同样成立。对吧?所以我想……

09 17:16 936 字

苦涩的教训:数据、归纳偏置与科学理解

主持人

我想听听你的看法:有哪些简化、洞见,或者数学及其他科学模型正在浮现,能帮助我们从如此庞大的数据里提炼复杂性,真正取得有意义的进展和理解?

Fabian Theis

这是个非常重要、也很深的问题。我觉得它把这个领域分成了两派:我们该在模型里加入多少归纳偏置或先验,来提高可解释性,也可能让模型在分布外更稳健?还是应该主要依靠更大的数据,让模型表达能力更强?在深入哲学讨论前,我得先说清楚:几十年来,对许多数据集的研究都表明,如果我们事先把归纳偏置设得太强,预测能力可能会下降,这是有代价的。

比如你是医生,或者患者可能患有癌症,你最想要的也许是预测效果最好的模型。你也许愿意接受一个稍差一点、但更容易理解的模型;不过至少就预测而言,我认为人们希望模型尽可能准确。这个取舍并不完全清楚。就我们这个领域来说,细胞规模的数据量很大,但扰动空间——也就是我们对细胞施加的各种操作——还没那么大。我觉得我们还没有进入数据特别丰富的阶段,因此混合模型可能仍然是更好的选择。

但规模越来越大之后,大规模机器学习给我们的一个诚实结论是:到了一定阶段,数据会胜过人类手工加入模型的概念。一个简单例子是 AlphaFold:早期模型花了很大力气,把分子的旋转不变性写进学习过程;后来的版本则能靠更多数据自动学到旋转对称性,因此更灵活。因为你施加的物理约束未必总是那么刚性;让模型从数据里学习,有时反而能得到一些好处。

因此我认为,未来更常用的模型中,会有更多灵活、以数据为核心的模型,然后我们再事后赋予它们解释。

主持人

这也让我想到另一个问题。你最近似乎参与了一篇研究当前一代虚拟细胞模型统计能力的论文,讨论增加数据能给它们带来多大提升。你当时的意思大致是,问题可能在目标函数或训练方法,而不一定是数据本身没有包含足够信息。你能解释一下吗?为什么你认为数据里还有大量尚未利用的信息?这能把我们带到哪里?还需要做什么才能继续前进?

Fabian Theis

我觉得可以这么说:早期我们有一些很小、能力有限的预测模型,比如先学习潜在空间,再在其上预测扰动。后来大规模基础模型表示出现,大家都被它的热潮吸引了,也许一度有些过度追捧。热潮之后总会有冷静期,于是陆续有不少论文指出,甚至更接近线性的模型也能做得很好。事实上,我看到这类论文时,想起我们早些时候已经有过一些……

10 21:17 171 字

苦涩的教训:数据、归纳偏置与科学理解(续)

Fabian Theis

……这些基准测试说明,想在这个任务上取得提升并没有那么容易。我认为有一点确实成立:以当前的数据状况来说,有些问题不需要最花哨的模型。比如预测某个 CRISPR 操作对细胞的影响,或者预测细胞类型,用逻辑回归大多就够了。但如果要预测更难的东西,例如我们 Nicheformer 这篇空间组学基础模型论文里,我们新引入了一个任务,在这个任务上……

11 21:50 611 字信息密度高

为什么生物学基础模型令人失望

Fabian Theis

……我们提出的问题是:已知一个细胞的基因表达,也就是它在潜在空间里的状态,能不能预测它邻近细胞的基因表达状态?细胞一直在沟通;反过来说,一个细胞的状态也会留下它与其他细胞交流的痕迹。这比预测单个细胞难得多。面对更难的任务,需要更强大的模型,也要寻找更细微的数据。

能否从数据里找到更多信息,很大程度上取决于你最后提出什么问题。就自监督学习而言,我们还没找到最佳的表示方式和学习方法。这个领域大量借鉴自然语言处理和大语言模型,比如常见的掩码自编码器,但损失函数和表示方式仍在讨论。数据常常是表格型的,所以大家也在尝试表格基础模型;还有很多 JEPA 类方法,也有人用对比学习。大家一直在试不同的损失和表示方式。

我长期主张,评审应该更认真地要求研究者展示 scaling law。早期基础模型论文缺少这一点,没有真正证明这么复杂的模型确实会随规模扩大而变好。如果能在足够大规模上、跨不同示例和样本,证明这种扩展规律,大家才有理由相信这些模型。此类模型的归纳偏置通常不多。我认为我们很快就会进入这个阶段,一些论文里已经能看到迹象。

例如,我们的对比学习论文 scConcept 已经显示出相当强的扩展趋势。论文里与 Geneformer 对比时,数据规模大约到 3,000 万个细胞;但我们现在在 Hugging Face 上有一个 3.5 亿细胞的模型,参数量大概能到一亿,对我们来说已经是很大规模了。我们确实观察到不错的扩展……

12 23:51 603 字

Nicheformer:细胞能透露周围环境吗?

主持人

你刚才说模型大约有一亿参数、三亿多个细胞。在哪些应用上能看到提升?比如 Nicheformer 这类问题:能不能根据一个细胞的转录组推断它所处的环境?

Fabian Theis

最终当然是希望把扰动预测做得更好,因为现在大家通常把这理解为虚拟细胞。但我不会说纯粹的表示学习就是正确路线。基础模型通常是用来学习状态空间;至于状态在某个动作或扰动下如何变化,则需要更像世界模型的方法。世界模型是最近很流行的说法,你们节目可能也聊过,过去一年机器学习会议上到处都在讲。但实际上,扰动预测模型,也就是虚拟细胞,可以说是在转录组或其他组学空间里的世界模型。

这不只是一个普通的 (f(x)) 模型,而是 (f(x, a)):给定状态 (x) 和动作 (a),预测下一个状态 (x')。这可能需要把不同方法组合起来。我们通常先用 scConcept 之类的方法学习表示,再放入一个生成模型,根据动作把状态向前推演。这里可以用 flow matching。我们的 CellFlow 论文刚被《Nature Methods》接收;我们确实展示了这类方法更擅长生成扰动效果,但它们非常依赖高质量的潜在空间,也就是 scConcept 学到的空间。

这次 3.5 亿细胞的模型还扩展到了多物种,包含 16 个不同物种,可以用来寻找相似性。这样或许能开始提出以前无法研究的进化问题。我们并不是这方面的专家,做得也谈不上特别好,但至少可以开始尝试这些更复杂的……

13 25:45 777 字信息密度高

scConcept、扩展规律与 CellFlow 世界模型

Fabian Theis

……跨物种、跨组织类型的潜在空间。

主持人

我想了解这些模型的发展过程。你刚才快速讲过一遍。社区里有个很有名的观点,就是线性模型的作用很大。能具体讲讲这里的关键点吗?经典机器学习总强调要充分理解基线,否则就会白忙一场,甚至把自己骗了。我记得 Arc 举办过一场很受关注的公开竞赛,像是给大家泼了一盆冷水。能不能讲讲这段历史:为什么当时令人兴奋,后来又为什么促使大家调整方向?

Fabian Theis

“做好基线”听起来显而易见,但当一个领域都在追逐虚拟细胞这座金矿时,人们有时没那么仔细地比较基线。留出集怎么设计等细节也很复杂,有时没有被充分注意,这就导致了一些现象。

最早的观察之一来自细胞类型预测这种基础任务:给我一个新的转录组,告诉我它来自哪种细胞类型,甚至来自哪个器官。直到现在,一些接近最先进水平的模型其实就是逻辑回归。对于这种简单分类任务,这样的结果并不差。CellTypist 就是一个表现不错的例子。大约五六年前,我们还发表过一篇标题很直白的论文:《细胞类型预测不需要深度学习》。如果是在同一个器官内做预测,这个说法成立;但跨器官时就复杂一些,因为同一种细胞会出现在不同器官里,免疫细胞也会因所在组织而有细微变化。

这时就需要更复杂的方法。我们发表过一篇关于 scTab 的论文,它是表格型基础预测模型;我们确实证明,非线性模型比基线更有优势。扰动模型方面,你问到的也类似:早期很多特定扰动分析,用传统线性模型就能做。大约在 2019 年,我们推出 SCGen,在潜在空间里引入线性位移,也就是先做非线性编码,再比较简单的线性位移基线。

后来这个领域不断变复杂,数据集越来越多,人们提出的扰动问题也越来越多。早期出现过不少竞赛,比如 MIT 办的一个常规竞赛。我们也定期举办 NeurIPS 单细胞数据预测竞赛,有时是数据整合,有时是扰动预测。参赛情况非常热烈。最精彩的部分是……

14 28:38 851 字

为什么简单线性模型仍有竞争力

Fabian Theis

……当然是 Arc 的那场竞赛。它不只叫“扰动预测挑战”,还被命名为“虚拟细胞挑战”,听起来更酷,也吸引了很多人。但稳健的评估指标并不容易设计。我们参与的 Open Problems 联盟由很多实验室组成,目前的做法之一是让参赛者提交自己的指标和补充评估,以便发现大家可能没想到的细节。原来固定的一些指标甚至不是单细胞领域专用的,很容易被钻空子。最后获胜的模型其实是一个基于 flow matching 的方法,类似 CellFlow。这说明有些情况下确实需要非线性方法;如果排除指标漏洞,真正胜出的也是能处理非线性的模型。

如今我们看到,对于更复杂的问题,单纯线性或加性模型确实不够。但即使现在,如果只看细胞系和基因敲除,特别是效应很细微时,复杂模型有时会过拟合,所以线性基线仍然很好。我总是跟学生说:我知道你们想做最炫的深度学习,但请务必先做基线。比如预测药物效果时,甚至可以先用简单到只预测均值的基线。要超过均值有时都不容易,因为数据噪声实在太大。

主持人

我补充一点:Bo Wang 和合作者最近在《Nature》发了一篇论文,指出有些情况下问题出在评估指标上,导致线性基线看起来胜过其他模型。所以显然不只是钻指标空子;提出了错误的问题,也会得到错误的答案。

Fabian Theis

指标怎么选确实是个问题。我觉得未来会有智能体尝试各种算法组合。我们已经和一些自动机器学习团队合作做这类探索。听起来也许有点苛刻,但可能我们最重要的想法之一,正是如何设计评估指标。RJ,你怎么看?

RJ Honicky

我一直很关注学术研究中不同的资助模式。德国的体系和美国根本不同。你们机构是怎么运作的?这种模式相比美国的研究体系,带来了哪些独特机会?

Fabian Theis

我非常同意,资助模式会显著影响灵活性、能组建什么样的团队,以及能制定多长远的研究规划。Helmholtz 不仅在德国很重要,我会说它按资助规模算可能是欧洲最大的研究组织。它专注多个领域,健康科学是其中一个重点,也包括材料、信息科学、物理等。它主要依靠联邦资金,投入长期、深入的研究问题。我一直在组建所谓的计算健康中心……

15 31:51 779 字信息密度高

Arc 虚拟细胞挑战与研究机构模式

Fabian Theis

……我所在的 Helmholtz Munich 现在大概有 45 位课题组负责人和教授、500 到 600 人。我认为这是欧洲最大的健康 AI 学术研究机构,研究覆盖各个尺度。我主要做细胞层面,但也有人研究 DNA 基础模型、蛋白质设计、患者队列表示、遗传学等。现在可以开始把这些方向结合起来,我们的重要愿景之一就是把它们交汇起来,走向“虚拟人”。

关键区别在于:虽然我们都兼任大学职务,主要是在慕尼黑工业大学或慕尼黑大学——这两所大学很有意思,都是欧盟排名最靠前的高校——但 Helmholtz 本身不像大学那样承担本科教学。我们主要有博士生和博士后,同时和大学、尤其是医院密切合作,因为我们希望研究成果能够转化。这个模式有点像美国的 NIH,但研究中心分布在全国各地,不只集中在一处。

另一个有意思的变化是,德国政府越来越意识到,需要加强成果转移。不只是转化到大学研究,还要在学术界之外创造价值,进入创业公司等领域。波士顿一直是典范,湾区现在也越来越如此。我最近可能去 Genentech 或拜访同事,之后去餐馆吃饭,有位服务员问我们:“你们在聊 AI 和生物学吗?我也很感兴趣。”那里人人都在琢磨创业点子,气氛很好。我们的博士生也越来越多地创业,我们在这个过程中学习。我觉得慕尼黑尤其如此:至少在欧洲大陆,它现在可能是风险投资的主要中心之一,深科技也在迅速发展,尤其是生物科技和国防领域。这些事情开始运转起来了。

主持人

说到创业公司,有件事我觉得很有意思。我听说德国的创业生态存在一些问题,相比欧洲其他地方,在那里创办公司更难。德国目前创业公司的竞争环境怎样?德国要怎么变得更有竞争力?顺便说一句,我对此还有切身利益,因为我可能很快就会拿到德国公民身份。

Fabian Theis

欢迎!来慕尼黑的话告诉我。传统上,欧洲——尤其是德国——确实官僚流程很多,数字化程度远没有大家期待的那么高……

16 34:43 1,065 字

Helmholtz Munich 的研究与创业生态

Fabian Theis

……各地的流程确实更快。我不是说美国在流程数字化方面就是最佳范例,但事情肯定办得更快。大家已经意识到这一点。我认为德国创办和落地创业公司的能力在欧洲很有竞争力,甚至算是领跑者之一,尤其慕尼黑是创业公司的重要热点。如今欧盟新创公司的数量和美国差不多。欧洲、尤其是德国的短板在于后续扩张:早期风险投资和非稀释性资金都有,但进入规模化阶段后,愿意承担更大风险的大型投资机构就少得多。我一次又一次看到,想拿更大额的 A 轮、B 轮融资时,人们会转向美国。也许我说得过于简单化,但这是我目前的观察。

主持人

你是几家本地创业公司的董事会成员,或者参与其中,对吧?在德国从一个想法走到真正成立新公司,需要什么?

Fabian Theis

不知道你有没有注意到,欧盟试图监管很多事情。这有时也有好处,比如现在我们可以带着手机在欧洲各地使用;手机统一采用 USB-C 也是挺好的规定。但当然,像《人工智能法案》这样的规则会让事情稍微复杂一些。对研究暂时影响不大,不过跨医院获取数据等方面确实会更难,尤其是医疗健康深科技。

欧洲也有一些很出色的系统,比如芬兰的 FinnGen、丹麦的相关项目。它们能非常细致地记录人群样本,并把医疗记录关联起来。美国在这方面也和德国一样混乱:患者去不同州就诊,病历系统很难互通;德国患者换不同地方也是如此,很难建立统一的患者目录。有些地方知道如何处理这些问题。欧盟还有一个叫“欧洲健康数据空间”的计划;当时的设想是大约未来两年内推进跨境衔接,开始整合各类健康记录。所以我觉得这些愿景正在成为现实,只是扩展速度没那么快。

我观察到,科技创业最重要的一件事始终是有一支最好的团队。我们有教授和首席研究员会认真考虑创业。我协调的部门里,我曾对大家说:“每位 PI、每位课题组负责人,我希望你们未来三年至少做出一个衍生公司。”看看这样能不能推动大家走上这条路。不过现在很多事情本来就在自下而上地发生,学生也在推动。他们看到了很多机会,尤其是计算方法越来越受重视,我们现在可以开始真正引导实验。刚才我们还没怎么谈到这一点:有了扰动世界模型,就能反过来指导实验。所以计算型创业公司也能很好地推动数据生成。我觉得下一代创业公司不会只产出漂亮论文——那基本上是我们的主要工作——而是会真正把实验室闭环做出来。现在已经有一些公司在这样做。

主持人

你觉得虚拟细胞相关理念最有希望商业化的方向有哪些?

Fabian Theis

这问题很有意思。回头看早期,人们总会想到 OpenAI 等公司最初想做的事情:当时他们也不知道如何赚钱,有些人可能会说,他们现在也还不知道……而有几家创业公司确实获得了相当可观的投资……

17 38:43 381 字

Helmholtz Munich 的研究与创业生态(续)

Fabian Theis

……这些公司会说要建立生物学基础模型、解码生物学,却不明确说清楚要用它做什么。我一次次看到,平台型想法特别吸引人,也符合大家熟悉的模式。你刚才提到了我们做的 Scanpy、scverse 等工具和平台,但要把它们真正变成收入来源就没那么容易。也许可以做咨询,但如果你说要建一个虚拟细胞平台,投资人通常——欧洲的风险投资生态尤其保守,美国也有这种情况——希望你最终能研发出一种药物,这样商业化路径才清楚。

所以我见过很多平台公司后来转向“我们来研发药物”。它们会说,虚拟细胞业务还在,但我们已经找到了两种药,于是就把大笔资金投进去。也许你还能想到其他反例。有少数公司仍然专注于扩大 AI 业务,但怎样直接把它变成可行、可规模化的商业模式,并不明确。这样的公司是否能容纳很多家,也不确定。当然,大家还担心 Astra 2.0 之类的模型最终可能已经能做其中一部分了……

18 39:53 1,031 字

德国创业生态与规模化挑战

RJ Honicky

对,我一直有个判断:直到最近,凡是做模型、搭平台的公司,最后都会转向研发药物,因为那才是长期变现的路径。向药企或其他大客户卖工具很难。投资人虽然喜欢“做出一个资产再卖掉”的模式,但今年我们看到的似乎恰好相反。结构生物学领域有几家公司,比如 Boltz,还有 Ty——Brandon 比我更熟——我们也采访过一些在做强化学习环境的平台公司。我很希望结构生物学领域能出现像 Noetik 那样的活跃度。

Fabian Theis

我觉得 Noetik 是个很好的例子,因为他们的数据生成规模不错,其中很大一部分优势也来自数据获取。我们之前谈过类器官扰动实验;我们正在和许多制药公司合作建立一个“癌症类器官扰动图谱”联盟。制药公司愿意加入,是因为他们想提前获得这类扰动数据集。我认为这类合作正是可能的发展方向。把建模和数据生成结合起来,才是最合适的切入点,药企也会因此愿意投入。越来越多的公司不只围绕虚拟细胞模型搭建业务,还会结合独特、专有的数据,这样才能创造更多价值。

RJ Honicky

我不确定自己理解得完全准确,但我读到过你说,学生会按你称作“Y 模型”的方式培养:既要有方法学导师,也要有湿实验室导师。这个想法很有意思,也和我们正在谈的数据重要性、实验室工作,以及很多公司的商业模式特别相关。能讲讲吗?

Fabian Theis

谢谢你提起这个。我参与建立了慕尼黑数据科学学院(Munich School for Data Science),后来发展得很大,研究范围不只生物学,也包括很多其他学科。它的导师制度要求两位 PI 一起提出项目,再向研究生招募学生:一位导师偏方法,一位导师偏领域,因此构成一个 Y 字形。有时会有两位学生一起参与,两个 Y 合起来像个 H,明白吧?

如今这个想法听起来也许不算新鲜,但我希望把它落实得足够彻底。理想情况下,学生要参加两边的组会:一边要真正理解深层的生物学问题,学会医学环境里的语言;另一边通常是计算、数据科学的团队,会推动他们打磨方法。这样他们就能把生物实验室里那些还没被精确表述的问题,转化成指标、模型,最后形成论文。生物学家可能没法直接把问题写成一个函数,但量化和方法训练能帮他们完成这一步。

这种培养模式我们大约做了八年,产出了很多论文。我也因此了解了不少以前完全陌生的系统。有人来问能不能合作,我开始学习肺或脑方面的知识,发现数据很有意思,也觉得我们的模型适用,于是就围绕它启动项目。那些学生后来和合作方一起,成了我实验室里对应细分生物问题的专家。现在这种模式也扩展到了不同的数据类型……

19 43:54 186 字

德国创业生态与规模化挑战(续)

Fabian Theis

……不只围绕 RNA。去年我们还在《Science》发表了一篇很不错的单细胞蛋白质组学论文,也把工作扩展到了空间观测。现在还有很多其他可测量的维度。我觉得当这些方法在特定领域表现良好时,就会出现新的、有意思的问题。

RJ Honicky

我本能上就喜欢把不同领域的东西汇集起来,这往往很适合孕育好点子和有趣的想法。你们这套模式已经做了八年左右。长期来看,你看到了哪些成果或好处?

Fabian Theis

我觉得有一点是……

20 44:35 987 字

虚拟细胞公司能否建立可持续的商业模式?

Fabian Theis

我觉得这种培养方式也帮助我们吸引学生。刚开始听起来工作量更大:要学两方面的知识,还要参加两边的组会。但在德国、乃至欧洲,学生通常会先读硕士再读博士,比美国常见的本科毕业后直接读博多一两年。他们已经懂一些科学,但不一定知道自己真正感兴趣的方向。这种跨领域项目让他们可以先试一试:既探索领域问题,也尝试方法。

我觉得这让学生成为很好的数据分析师和建模人员。他们毕业后的去向也很多样:有些去了生物医药或制药行业,有些留在学术研究,有些去创业,也有人做更纯粹的 AI。几个月前,NVIDIA 一个月内就招走了我实验室的两位学生,他们做计算方向,也参与 NVIDIA 正在拓展的生物学业务。其他大公司也有类似情况。这种训练让他们的背景很特别。求职面试时,他们不只能说自己在 NeurIPS 论文里把某个模型指标提高了 2%,还可以讲自己如何帮助找到真实而复杂的应用场景。

RJ Honicky

Atomwise AI 的一些嘉宾和博客文章提到,湿实验室科学家因为 AI 开始转向计算。随着 AI 让科学家也能做自己的计算工作,这种共同指导策略会如何发展?湿实验室生物学家与计算团队之间的协作会如何演进?我还听过好几位知名 CEO 说,公司的优势在于计算团队和湿实验团队之间的整合。你怎么看它的未来?组织文化该如何利用这些新技术?

Fabian Theis

文化这部分很难回答,我先放一放,但这是个很好的问题。我先谈谈深度整合:我认为现在最令人兴奋的前沿之一,也是一个机会,就是我们真的可以开始引导实验了。过去我们构建人体细胞图谱,主要是在做绘图;后来开始研究世界模型的预测问题,也就是从绘图走向预测。现在则可以进一步引导下一次实验。这一直是科学方法的一部分:把假设放进闭环,然后据此采取行动。

但说实话,很多时候论文最后只是一个模型、一张概念图,也许加一点验证,然后大家就开始下一个项目。虽然会学到一些东西,却没有形成持续学习。现在我们能越来越多地把结果反馈回去。分子设计和材料设计已经在研究实验室闭环。虽然一些大型药企把它作为宏大主题宣传,但真正反复完成“实验—计算模型—再回到实验”多个循环的案例并不多。

这套整合很难建立,一方面是建模本身有难度,另一方面,即使有了模型,决定下一个最值得研究的问题也并不简单。我们最近推出了一个新东西——应该今天或明天会放到 bioRxiv 上——叫 LabCompass。它是一个逆向生成模型,可以……

21 48:31 340 字

专有实验数据如何形成竞争优势

Fabian Theis

……有了正向世界模型之后,就能告诉你该怎么做,才能到达某个目标状态。这让我们非常兴奋。这里的工作不只是建模型,还包括和实验人员合作。比如我们与剑桥大学一位做造血研究的好朋友兼同事合作,搭建了快速迭代的系统,实际完成了三到四轮实验室闭环,反复改进模型。这件事很难。

这也和你的第二个问题有关,Brandon:怎样营造一种文化,让计算人员或模型作出预测后,实验人员愿意投入自己的时间去验证?实验往往需要时间,大家得先相信这件事,再做后续测量。有时研究分子比较容易接受,因为风险没那么高;但如果你要求实验人员培养一种新的细胞、再加入一些很奇怪的东西,他们可能会问:“真的要这么做吗?我们是不是该相信一下自己的直觉?”因此往往需要找到折中方案。要把这种闭环真正搭起来,绝非易事,需要一种……

22 49:29 370 字

Y 型培养:让计算与实验科学家协同成长

Fabian Theis

……而且可能最后由同一个人来完成。很多人也开始谈机器人等技术,但我觉得现在还早,因为我们的实验周期仍然很长。不过我相信这一天会到来。终极愿景当然是把一切都纳入强化学习,也让强化学习进入这个闭环。听起来有些超前,但我觉得我们正慢慢接近。眼下更多是在做主动学习。

RJ Honicky

这和我们之前采访 Lila 时聊到的很像:她的核心观点就是,实验室本身是强化学习环境的一部分,对吧?太好了。Fabian,你那边现在已经很晚了,真的很感谢你抽出晚上时间和我们聊天。我很期待继续关注你——我是说你的实验室和同事,也包括你本人——的研究进展,并持续留意今天聊到的这些方向。

Fabian Theis

谢谢你们邀请我,RJ 和 Brandon。我觉得这些联系很重要。不要只看自己那个较小的学科领域,而是向外看看;这样的交流对我帮助很大。我很享受这次讨论,也聊得很开心。谢谢。

RJ Honicky

太好了,谢谢。保重,再见。