虚拟细胞 · 论文解读 · 2026.10

Arc 新模型 PIE，专攻虚拟细胞最难的“陌生题”

把扰动预测从逐细胞“默写全文”改成群体层面的“开卷考试”：细胞系与扰动双重未见的最难设置下，AUPRC 达到最强基线的 2.7 倍。

作者 Max · 约 8 分钟 · Arc Institute / PIE / Perturb-seq
2.7×
双重未见 AUPRC 0.239 vs 0.088
3.2×
未见扰动 AUPRC 0.304 vs 0.094
5 + 11
数据集 × 外部知识源
5k 步
从零训练，无需亿级细胞预训练

10月5日，Arc Institute 在 bioRxiv 挂出新模型 PIE。标题里没有“虚拟细胞”四个字，但它瞄准的正是虚拟细胞最难的“陌生题”：在没见过的细胞系里，预测一个没见过的扰动。

这种双重未见的考题，过去的模型连答题卡都填不了。PIE 把差异基因预测的 AUPRC 从 0.088 拉到 0.239，是唯一能交卷的基线的 2.7 倍。名字有野心——Perturbation is Everything——但打法很务实：把考卷改简单，再发一本参考书。

PIE 架构总览：知识源与逐基因证据双路输入，三个预测头输出群体层面扰动效应（图源：Verma et al., bioRxiv 2026）
PIE 架构总览：知识源与逐基因证据双路输入，三个预测头输出群体层面扰动效应（图源：Verma et al., bioRxiv 2026）
01

为什么虚拟细胞最怕“陌生题”

虚拟细胞的核心考题很直接：给细胞一个扰动，预测转录组怎么变。主流模型试图逐细胞“默写”扰动后的完整表达谱。但同一个细胞被扰动前的状态永远测不到——单细胞测序是破坏性的，训练信号和评估指标因此长期错配：学的是单细胞分辨率，打分看的是群体层面的差异表达基因。

错配的后果是泛化难。细胞背景、扰动、数据集，三根轴每根都有专用模型——跨细胞系有 Arc 自己的 State，跨扰动有 PRESAGE 和 COMPASS。但要同时跨多根轴，大多数模型直接退赛：双重未见设置下，能当基线的只剩“求平均”的笨办法，区分度得分 0.502，约等于抛硬币。

三种泛化考法：未见细胞系、未见扰动、双重未见（图源：Verma et al., bioRxiv 2026）
三种泛化考法：未见细胞系、未见扰动、双重未见（图源：Verma et al., bioRxiv 2026）
02

第一刀：把考卷从“默写全文”改成“只考重点”

PIE 的第一刀砍向任务本身。既然评估看的是群体层面，训练就直接预测群体层面：每个样本是一个（背景 × 扰动）组合，模型只输出三件事——哪些基因差异表达、变化方向、分箱后的变化幅度。输出空间从数万个细胞的连续表达谱压成每个基因三个数，但六项评估指标一个不落。

架构用 Perceiver IO 的编码-处理-解码框架：512 个可学习 latent 向量先交叉注意力读入，自注意力处理，再由基因查询解码。模型宽 768，共 14 个块。它不从数亿细胞预训练，从零训练只要 5,000 到 10,000 步，但足以同时吃下五个数据集。

编码-处理-解码主干：latent 数组与基因查询的注意力路径（图源：Verma et al., bioRxiv 2026）
编码-处理-解码主干：latent 数组与基因查询的注意力路径（图源：Verma et al., bioRxiv 2026）

基因表示是另一个巧思。每个基因用它 NCBI Gene 词条的文本嵌入来表示，模型没有固定的基因词表。训练时没见过的基因能直接解码，不同数据集连基因列表都不用对齐——但代价是，基因文本描述的质量会直接影响预测，后文有反转。

03

第二刀：给模型发一本“开卷参考书”

陌生题需要参考资料。PIE 给每个背景和扰动配了知识源：细胞系查 Cellosaurus，基因扰动查 NCBI 注释、ESM2 蛋白嵌入、STRING 网络、DepMap 敲除谱，小分子查 PubChem、ChemBERTa 和 L1000、PRISM、JUMP 三套活性谱。覆盖率最高 100%，最低的 PRISM 只有 30.6%——但没收录的源干脆不出 token，缺考不扣分。

五个数据集上各路知识源的覆盖率（图源：Verma et al., bioRxiv 2026）
五个数据集上各路知识源的覆盖率（图源：Verma et al., bioRxiv 2026）

知识源回答“这个扰动是什么”，但没说“基因在它手下怎么变”。所以 PIE 加了第二条证据链：每个基因带三个统计通道——对照细胞平均表达、同一扰动在其他背景下的响应、同背景下其他扰动的响应，全部只从训练集计算。相当于给模型发了一本历年真题统计。

逐基因证据融合：三个统计通道分别编码后汇入基因查询（图源：Verma et al., bioRxiv 2026）
逐基因证据融合：三个统计通道分别编码后汇入基因查询（图源：Verma et al., bioRxiv 2026）
04

最难的题，分数翻了三倍

主考场是 Replogle–Nadig 数据集：4 个细胞系、1,857 个 CRISPRi 敲低。未见细胞系时，PIE 的 AUPRC 0.424，最强基线 Rhaister-O 是 0.344；未见扰动时差距拉大到 0.304 对 0.094，超过三倍。但 PIE 并非全胜——效应大小的 Spearman 相关上，Rhaister-O 以 0.741 对 0.734 扳回一城。

Replogle–Nadig 数据集内三种设置下的六项指标对比，蓝色为 PIE（图源：Verma et al., bioRxiv 2026）
Replogle–Nadig 数据集内三种设置下的六项指标对比，蓝色为 PIE（图源：Verma et al., bioRxiv 2026）

双重未见是真正的试金石。PIE 的 AUPRC 0.239，基线 0.088；区分度得分 0.643 对 0.502——后者基本等于随机。

这是第一次有模型在双重未见设置下拿出像样的预测信号——但 0.239 的绝对值也说明，题还远没被解开。

跨数据集考试更进一步：在 Tahoe-100M 等四个数据集上训练，直接预测 Replogle–Nadig。训练过的扰动，AUPRC 0.378 对 0.283；连扰动带数据集全没见过时，0.252 对 0.102，仍有 2.5 倍优势。但所有指标都在下滑，迁移的税一分没少交。

跨数据集泛化：在四个数据集上训练，预测 Replogle–Nadig（图源：Verma et al., bioRxiv 2026）
跨数据集泛化：在四个数据集上训练，预测 Replogle–Nadig（图源：Verma et al., bioRxiv 2026）
05

功劳簿上的意外

团队用 Shapley 值给五路输入记功劳。未见细胞系设置下，AUPRC 从全缺的 0.238 涨到全开的 0.422。“同扰动证据”加“扰动知识源”两路，贡献了 0.184 总增益中的 0.169——历年真题和参考书确实是主力。但到了双重未见，剧本反转。

五路输入在三种设置下的 Shapley 贡献分解（图源：Verma et al., bioRxiv 2026）
五路输入在三种设置下的 Shapley 贡献分解（图源：Verma et al., bioRxiv 2026）

双重未见下，五路输入对 AUPRC 的总贡献只有 0.010，扰动知识源甚至是负贡献。但同一批输入，在变化方向、幅度和区分度上又占了大头。

知识能告诉模型“扰动会干什么”，却还不能帮它把“哪些基因上榜”排对顺序。

逐个拆开知识源，DepMap 敲除谱和 STRING 网络在多数设置下出力最多，NCBI 文本描述在双重未见时同样帮倒忙。参考书也不是每页都有用——但哪些页有用，本身就是给下一代模型和数据收集的路标。

扰动知识源逐个分解的 Shapley 贡献，红色为负贡献（图源：Verma et al., bioRxiv 2026）
扰动知识源逐个分解的 Shapley 贡献，红色为负贡献（图源：Verma et al., bioRxiv 2026）
06

虚拟细胞论文，也是 AI 写的

局限作者写得很坦白：双重未见时性能明显下滑，小效应扰动上信号难敌实验噪声。他们的判断是，下一步瓶颈在数据——更多样的扰动条件，更准的效应测量。但论文之外，还有一个更值得记录的彩蛋。

AI 使用声明里写明：全部代码由 AI 编程智能体编写，部分实验由 AI 自主编排执行，作者负责方向和审查。代码已在 GitHub 开源，权重挂在 Hugging Face，但 license 限非商用（CC BY-NC-SA 4.0）。

虚拟细胞的论文，本身也快成了虚拟实验室的产物——PIE 刚解开双重未见的第一道题，下一篇也许连作者栏都要重新讨论。