主题 先锋 趋势 方法 作者
返回

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

·Latent Space

正在生成长图…

本篇主题 AI在基础科学与材料发现中的应用 AI训练数据与评测基准 AI制药与蛋白质计算 早期VC投资范式与博弈
本篇先锋 Fabian Theis

摘要

  • 扰动数据逐渐补齐,虚拟细胞的应用空间随之扩大。 Theis提到,单次实验已测得1000万个转录组,药物和CRISPR筛选的覆盖面也越来越广;RJ则提及Biohub宣布了一项18亿美元的合作。在Theis看来,虚拟细胞要回答的问题,是预测细胞在各类扰动下的行为。但把虚拟细胞等同于扰动预测过于简单:真正的目标还包括细胞的输入输出行为、记忆,以及RNA以外的分子层面。药企需要细胞类型特异性的筛选,却还无法大规模开展。
  • 类器官将研究拓展到多细胞系统,也带来了尚未解决的建模难题。 Theis举例说,培养皿里会出现“跳动的一小团心脏细胞”(“beating little heart cell clumps in a dish”):其中的相互作用,是单一细胞系无法呈现的。免疫成分缺失、数据有限,以及细胞邻域该如何表示仍无定论,都让这一领域仍处于研究前沿。
  • 模型复杂度必须先在简单基准和有意义的指标面前证明价值。 在器官内部的细胞分类任务上,逻辑回归仍有竞争力;药物反应预测数据噪声很大,有时甚至难以胜过均值。Theis说,ARC挑战也暴露了可被利用的指标;他的要求是“把基线做好”(“Do your baselines properly”),再证明复杂模型能解决更难的问题。
  • 学习细胞状态与预测干预效果,是两项不同的建模任务。 Theis介绍了一项对比表征工作,覆盖16个物种、3.5亿个细胞,参数量或约1亿。预测扰动效果还要把“状态X加上动作”作为输入,因此需要CellFlow这类生成模型,不能假设只靠表征学习就能解决问题。
  • 相比单独的虚拟细胞模型,独特的实验数据更容易构成商业护城河。 Theis多次看到平台公司转向“我们来做药”(“We make a drug”),不过主持人也提到,结构生物学和强化学习领域已有公司在探索其他路径。Theis的Cancer Organoid Perturbation Atlas展示了另一种客户价值:药企愿意为独家实验数据的优先获取权付费。
  • 在Theis看来,欧洲融资的短板主要出现在公司扩张阶段,而非初创阶段。 早期风投和非稀释性资金并不缺,但公司在较大规模的A轮、B轮融资时往往转向美国投资者。Theis所在的Helmholtz研究中心拥有充足的研究资源,约有45位课题组负责人、500至600名成员;他则推动每个课题组在3年内至少孵化1家衍生公司。
  • 实验选择正逐渐走向实用,但面向生物学的强化学习仍是远期目标。 Lab Compass从目标细胞状态反推可能的干预方案;Theis介绍了与一位剑桥造血研究合作者进行的3至4轮实验反馈。长远目标是“希望所有环节都用强化学习来做”(“we want to RL everything”)。RJ认为目前的方法“可能更接近主动学习”,Theis认同这一描述。

精读

1. 扰动数据让虚拟细胞更具现实意义

  • RJ开场提到,Biohub宣布与DOE、NIH、Meta和Google合作,投入18亿美元生成开放的多尺度生物数据。Theis将这项工作与Human Cell Atlas联系起来,同时说明自己的视角“相当学术”。他预计,已经在分子层面推进的生成式建模与实验反馈,未来会逐步扩展到细胞层面。
  • 基础测量单位是转录组:每个细胞约有20000个维度,记录信使RNA的计数,其中很多数值为零。潜在表征可以压缩这个空间;聚类结果提示细胞类型,轨迹则可描述分化过程。Brandon用一个直观类比解释两者的区别:DNA提供原料,而“每个细胞都像一道菜”,转录组学试图还原这道菜的组成。
  • 变化的关键在于干预覆盖面扩大,而不只是观测到的细胞数量增加。Theis回忆,单次实验已测得1000万个转录组;与此同时,筛选范围扩大到约100种细胞系,或涵盖1000种药物的筛选组合。过去,即使收集了海量细胞,扰动范围也往往很窄——可能只有对照组与疾病组之分。更丰富的干预覆盖,带来了难度显著更高的预测问题。
  • 扰动不只是CRISPR基因敲除:邻近细胞的信号、激素、培养基条件、细微的遗传变化及其组合,都属于输入空间。敲除很有用,但它是异常剧烈的干预。Theis希望模型最终能将人类遗传学也纳入扰动;现实需求在于,药企无法大规模开展筛选,同时又保持“细胞类型背景特异性”。
  • Theis提醒,虚拟细胞并不等同于扰动预测。他所说的更深层目标,是模拟细胞的输入输出行为、记忆和不同分子层面,而不只看RNA。将虚拟细胞等同于扰动预测模型,在他看来有些过于简单化。

2. 多细胞环境让类器官更具吸引力,也更难建模

  • 对Theis而言,类器官说明了研究为何需要超越单一细胞系。细胞可以组织成具有涌现行为的小型系统;他举的例子是“培养皿里跳动的一小团心脏细胞”(“beating little heart cell clumps in a dish”)。这类系统能提供更丰富的实验读数,因为细胞彼此连接、相互交流,而不是只增加某种细胞在另一种处理条件下的观测数量。
  • 获得稀缺组织的替代方案,也是类器官的一大吸引力。Theis介绍,可以从皮肤细胞出发,将其分化为类似小型大脑的系统,以期研究神经退行性疾病的遗传因素。但他也指出了局限:类器官可能缺少免疫成分,也缺乏充分的供养机制。它们能复制器官的一些有用部分,但仍存在明显缺口。
  • 如何表示这类系统仍无定论。细胞类型是人类便于理解的分类方式——“自然并不在乎”这些标签——但我们还没有同样成熟的词汇来描述局部细胞生态位。因此,空间组学和病理学既带来概念问题,也带来计算问题。当前模型通常把类器官视为细胞分布;图结构或许能捕捉更细微的关系,但Theis说,目前还没有公认的最佳表示方法。

3. 生物学问题不够难时,简单基准依然有竞争力

  • 针对主持人提出的归纳偏置挑战,Theis认为,先验约束过强可能牺牲预测能力。不过,扰动数据仍然有限,混合模型“可能仍是值得采用的方案”。以AlphaFold为例,模型如今开始从数据中学习旋转对称性;长期来看,他预计“数据会胜过人为加入的额外概念”。
  • Theis在2019年提出的scGen,将非线性编码与潜在空间中的线性位移结合起来;简单方法至今仍难以击败。在器官内部进行细胞类型判定时,CellTypist等逻辑回归工具仍接近最先进水平。跨器官分类则会遇到更细微、受组织影响的差异;他在scTab项目中发现,非线性模型在这类任务上有所提升。究竟复杂模型是否有帮助,取决于具体的生物学问题。
  • 谈到ARC的Virtual Cell Challenge,Theis表示,固定指标可能被参赛者利用;在他的印象中,最终被推为冠军的模型本质上基于flow matching。撇开指标利用不谈,他说真正的赢家采用了非线性方法。RJ补充说,Bo Wang在Nature发表的论文指出,一些线性模型看似获胜,部分原因是指标选择所致。Theis的Open Problems方案要求参赛者提交额外指标,让如何定义成功本身也成为科学工作的一部分。
  • 药物反应预测提供了一个让人冷静的基准:有时,测量噪声太大,挑战只是要胜过均值。Theis给学生的建议是:“各位——我是说,男生女生都算——我知道你们想用最前沿的深度学习方法,但请先把基线做好。”

4. 有用的虚拟细胞既需要表征,也需要建模干预动态

  • Nicheformer展示了一项比给细胞贴标签更难的任务:能否根据一个细胞的表达状态,预测它邻近细胞的表达状态?周围环境留下的影响,会反映在被测细胞中。Theis说,当研究者要提取这类更细微的信息时,更强的非线性模型就能派上用场。因此,现有数据是否还藏着未挖掘的信号,取决于提出的问题,而不能笼统断言基础模型有用或无用。
  • 训练目标仍有很大的探索空间。这个领域借鉴了语言建模中的掩码自编码器方法,同时也在探索表格基础模型、JEPA式方法和对比学习。Theis说,早期生物基础模型论文往往没有证明缩放定律。评审应要求研究者证明:随着样本和数据量增加,模型复杂度确实能带来持续提升,而不是把模型规模本身当作价值。
  • Theis的对比表征研究曾与Geneformer在约3000万个细胞的规模上比较;其在Hugging Face上的版本已扩展至3.5亿个细胞,参数量或约1亿。更大的潜在空间覆盖16个物种,或许能支持跨物种、跨组织比较,也让研究进化问题成为可能;不过Theis明确表示,这并非其团队的核心专长。
  • 干预预测需要在这些表征上增加动态建模:模型接收一个状态和一个动作,再预测下一个状态。谈到扰动建模时,Theis说:“我不会声称纯粹的表征学习就是正确路径。”他的团队增加了一个基于flow matching的生成式推前模型;他表示,已被Nature Methods接收的CellFlow提升了扰动生成能力,但仍高度依赖良好的潜在空间。

5. 德国的科研实力受融资与数据获取限制

  • Helmholtz的联邦资金支持长期研究项目,不同于以本科教学为主的大学模式。Theis介绍,他所在的Computational Health Center约有45位课题组负责人和教授,成员约500至600人,研究范围涵盖细胞建模、DNA、蛋白质设计和患者队列。他认为,这是欧洲最大的健康AI学术研究中心。与大学及临床机构的合作则提供了人才培养和转化研究渠道;将这些资源汇集起来,有助于实现更广义的“虚拟人”目标。
  • 面对主持人对德国创业官僚主义的担忧,Theis认为,企业初创阶段的竞争力正在提升,尤其是在慕尼黑和柏林。他说,欧盟创立的初创公司数量与美国一样多。他的判断是,欧洲的问题出现在企业扩张阶段:早期风投和非稀释性资金都存在,但愿意承担更大风险的投资者较少。他多次看到公司为规模更大的A轮和B轮融资转向美国投资者,同时承认这样的概括并不全面。
  • 健康数据整合仍是另一道阻力。Theis以芬兰的FinnGen和丹麦为例,指出这些地区比其他地方更好地连接了人群抽样与医疗记录;而在德国和美国,病历分散,难以构建患者的连续病程。他提到,欧洲健康数据空间(European Health Data Space)可用于跨境数据整合,“也许未来2年内,这些事情就得开始跨境运作”。他说,愿景正在形成,但实际落地比预期缓慢。

6. 平台公司仍需明确买家,并建立难以复制的数据优势

  • Theis对商业化的提醒,始于一些公司承诺“我们解码生物学”,却说不清客户究竟会买什么。平台很有吸引力,但咨询业务并不会自动变成可规模化的生意。他看到不少虚拟细胞公司最终宣布“我们来做药”(“We make a drug”),因为相比开放式建模平台,投资者更容易理解如何为一个明确的治疗资产提供资金。
  • 主持人则指出市场正在变化:Chai等结构生物学公司,以及出售强化学习环境的公司,都说明除了持有药物管线,还有其他商业路径。他们希望系统生物学领域也出现类似发展。Theis并不否认这种可能,而是将话题转向这些公司能独特生成并提供什么。
  • Theis举例的是Cancer Organoid Perturbation Atlas,这是一个由多家药企合作建立的联盟。公司愿意参与,是因为想优先获取扰动数据集。在他看来,将建模与独特的实验数据生产结合,才是“最佳结合点”:模型附带客户难以从其他渠道获得的信息,药企也就有了明确的参与理由。
  • Theis还在追问,市场究竟能容纳多少家独立AI平台。他提出,“Astra 2.0”或许最终能承担其中一部分工作,这也进一步加大了平台在模型之外建立差异化优势的压力。

7. 双导师制将生物学中的模糊问题转化为可计算问题

  • Munich School for Data Science采用“Y”形培养结构,为每位学生配备一位方法学导师和一位领域导师。学生同时参加两边的组会,在学习生物学或医学语言的同时开发计算方法。Theis的观点是,重要的领域问题往往一开始并没有明确表述;受过定量训练的学生可以把这种模糊性转化为指标、模型和研究项目。
  • 经过约8年,他看到毕业生既能分析数据,也能构建模型,去向包括药企、研究机构、初创公司和纯AI公司。谈话前几个月,NVIDIA在1个月内招走了他的2名团队成员。他认为,这些人的优势不只是展示基准测试的小幅提升,还包括参与定义了一个棘手的实际应用问题。
  • 这套方法如今覆盖空间测量、单细胞蛋白质组学和RNA;Theis提到团队前一年发表在Science上的一篇蛋白质组学论文。商业转化也有了明确目标:他要求每位课题组负责人争取在3年内至少孵化1家衍生公司,同时表示学生如今也越来越主动推动创业。

8. Lab Compass让模型参与反复的实验决策

  • Theis描述团队的发展路径是“从绘制图谱,到做出预测”,再到指导下一次实验。传统学术项目往往停留在一个模型、一张概念图和有限的验证,然后就转向下一个课题。反复反馈能让学习过程更连续,但他提醒,真正开展多轮计算与实验迭代仍不常见,即使有些机构大力倡导这一理念。
  • Lab Compass针对的是逆向问题:给定一个正向模型和目标细胞状态,应该采用什么干预才能实现目标?Theis介绍,团队正在开发一个逆向生成模型来回答这一问题。录制当时,他预计相关工作“今天或明天”会发布在bioRxiv上;他强调,选择下一个最优实验本身就是一道很难的建模题。
  • 团队与一位研究造血的剑桥合作者建立了3至4轮实验反馈循环,并通过迭代不断改进模型。关键条件是实验系统的周期相对较快,且双方合作紧密。说服实验人员投入大量时间,去尝试一个不熟悉、由模型推荐的干预仍然不容易;生物学直觉可能让团队选择折中方案,而非直接采用模型提出的实验。
  • 机器人技术未来或许能提供帮助,但Theis认为,现在还稍早了一些,因为实验周期仍然很长。“我们想把一切都用强化学习来做”(“we want to RL everything”)代表了目标方向,他称之为“有点超前”。RJ形容目前的方法“也许更接近主动学习”,Theis认同这一说法。