虚拟细胞的瓶颈不在模型，而在给它看的那批数据

本节你将能

读完这一段，你能说清楚：为什么两个都叫「虚拟细胞」的模型，一个能进临床、一个只能发论文；拿到一篇虚拟细胞的新论文，该先看它的哪一段。

直觉模型：图纸、施工队和监控录像

把细胞想成一个工地。RNA 是图纸，告诉施工队下一步要造什么；蛋白质是施工队本身，真正搬砖、焊接、通电的是它们。转录组测序读的是图纸，蛋白质组学数的是施工队。

问题在于，图纸数量和施工队数量并不成正比。同一份图纸可以被反复使用，造出来的蛋白也能被随时拆掉。大量实测给出的相关性只有 0.4 上下——知道图纸，你对现场的判断仍然相当粗糙。

图1：两条数据路线的差别，在于测的是图纸还是施工队

判据一：测的是执行者还是说明书

药物作用的落点绝大多数在蛋白质上：抑制剂结合激酶，抗体拦住受体，降解剂把目标蛋白拖进蛋白酶体。如果训练数据只到 RNA 这一层，模型学到的是「说明书会怎么变」，而要预测的是「施工队会停在哪」。

这不是说转录组没用。它便宜、通量高、覆盖全，适合做大范围筛选。但如果终点是药效，把蛋白质作为主模态，通常更接近答案。

判据二：拍的是照片还是电影

多数公开数据是单时间点快照：给药后 24 小时测一次，或者干脆只测一个 untreated 基线。快照能看出状态差异，看不出过程。

同样是 24 小时后的蛋白丰度，可能来自「先升后降」，也可能来自「缓慢爬升」。两条完全不同的动力学曲线在同一个时间点上可以给出同一个数值。时间分辨扰动数据把照片换成电影，模型才有可能学到「这个药在什么时间尺度上起作用」。

图2：判断一个虚拟细胞模型能不能用，先看这三条

判据三：观察还是干预

相关性数据回答「A 高的时候 B 也高」，干预数据回答「把 A 压下去，B 会不会跟着变」。只有后者能支撑「如果给这个病人用这个药，会怎样」这类反事实问题——而这正是虚拟细胞被期待做的事。

所以「扰动」（perturbation）是关键词。加药、敲低、过表达，任何一种主动改变都算。纯 observational 的大规模数据在预训练阶段有价值，但要拿来做预测，必须有成体系的扰动数据兜底。

核心要点

• RNA 是图纸，蛋白质是施工队；两者相关性约 0.4，不能互相替代
• 单时间点快照会丢失动力学信息，时间分辨数据才有过程
• 只有扰动数据支持反事实预测，纯观察数据做不到「如果用这个药会怎样」
• 评估标准要用临床终点（药敏、预后分层），不能只看重建误差
• 数据规模不是唯一变量，模态和实验设计往往更关键

一个反例：为什么「更大」不一定更好

近两年的主流思路是把数据规模和模型参数一起往上堆。这条路在蛋白质结构预测上跑通了，因为结构数据有一个稳定的物理约束——序列决定结构。细胞状态没有这种硬约束，同一批 RNA 在不同细胞类型里会走向不同的蛋白质分布。

于是一条更省力的路线出现了：不追求覆盖所有细胞，而是锁定一个具体临床问题（比如三阴性乳腺癌的药敏），为它专门采集时间分辨的扰动蛋白质组数据，训练一个专用模型。数据量小得多，但每一条都直接指向要预测的那个量。

怎么读一篇虚拟细胞论文

先看数据，再看模型。三个问题：测的是哪一层分子；有没有时间维度；扰动是怎么设计的。这三问答不上来，指标再漂亮也先打个问号。第二步看评估：是在独立患者样本上做的，还是只用细胞系做的；终点是临床可用的判断，还是重构误差。

模型架构反而可以最后看——这一层各家差距远没有数据层大。