---
id: "3nAV2s4GYbs"
title: "迷你大脑、跳动的心脏类器官，以及预测它们的 AI——Fabian Theis，Helmholtz Munich"
channel: "Latent Space"
host: ["RJ Honicky","Brandon Anderson"]
guests: ["Fabian Theis"]
date: "2026-11-06"
updated: "2026-11-07"
duration: "50:50"
duration_seconds: 3050
source_type: "youtube"
youtube: "https://www.youtube.com/watch?v=3nAV2s4GYbs"
canonical: "https://pod-exp.pages.dev/3nAV2s4GYbs/"
transcript_jsonl: "https://pod-exp.pages.dev/3nAV2s4GYbs/transcript.jsonl"
language: "zh-CN"
translation: true
translated_from: "en"
timestamp_precision: "block"
topics: ["生命科学","AI 研究","模型评测","人工智能"]
series: ["AI 研究前沿"]
---

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

> 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。

**内容提要：** 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。

## [0:02] 从单细胞图谱走向预测与实验引导

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-01> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2s>

**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

## [1:35] Biohub 的 18 亿美元投入：为什么现在做虚拟细胞？

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-02> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=95s>

**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

## [5:35] Biohub 的 18 亿美元投入：为什么现在做虚拟细胞？（续）

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-03> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=335s>

**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……

## [5:44] 扰动数据的爆发

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-04> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=344s>

**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……

## [8:22] 转录组与扰动：概念解释

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-05> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=502s>

**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……

## [12:23] 转录组与扰动：概念解释（续）

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-06> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=743s>

**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，……

## [13:30] 类器官与多细胞生物学建模

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-07> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=810s>

**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……

## [15:44] 如何表示细胞邻域

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-08> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=944s>

**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……

## [17:16] 苦涩的教训：数据、归纳偏置与科学理解

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-09> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1036s>

**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……

## [21:17] 苦涩的教训：数据、归纳偏置与科学理解（续）

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-10> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1277s>

**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……

## [21:50] 为什么生物学基础模型令人失望

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-11> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1310s>

**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……

## [23:51] Nicheformer：细胞能透露周围环境吗？

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-12> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1431s>

**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……

## [25:45] scConcept、扩展规律与 CellFlow 世界模型

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-13> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1545s>

**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……

## [28:38] 为什么简单线性模型仍有竞争力

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-14> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1718s>

**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……

## [31:51] Arc 虚拟细胞挑战与研究机构模式

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-15> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=1911s>

**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……

## [34:43] Helmholtz Munich 的研究与创业生态

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-16> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2083s>

**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……

## [38:43] Helmholtz Munich 的研究与创业生态（续）

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-17> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2323s>

**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……

## [39:53] 德国创业生态与规模化挑战

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-18> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2393s>

**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……

## [43:54] 德国创业生态与规模化挑战（续）

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-19> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2634s>

**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……

## [44:35] 虚拟细胞公司能否建立可持续的商业模式？

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-20> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2675s>

**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……

## [48:31] 专有实验数据如何形成竞争优势

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-21> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2911s>

**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……

## [49:29] Y 型培养：让计算与实验科学家协同成长

<https://pod-exp.pages.dev/3nAV2s4GYbs/#chapter-22> · YouTube <https://www.youtube.com/watch?v=3nAV2s4GYbs&t=2969s>

**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。
