课前准备--生成式人工智能在细胞生物学应用中面临的十五项挑战
作者，Evil Genius
接下来为我们的生化小课，CADD计算机辅助药物设计，分子对接/分子动力学做好准备;大家有条件，基因组 + 单细胞空间 + 分子对接/分子动力学都学习一下，多组学角度看问题，会比单一组学好很多。
其实无论是分子对接还是分子动力学，都需要我们采用服务器操作，所以大家对linux和python要有一定的基础，其中autodock vina和Gromacs需要大家会操作Linux，pyrosetta需要大家会python，大家可以看一下2025番外--linux、R、python培训，希望参加培训的同学全流程学会，一劳永逸解决这个组学的分析问题。
无论做什么事情，我们先把事情做好，再说其他的内容，我认为这个内容非常重要，即使只有一个人参加培训，我也想好好全流程梳理一下。
今日参考文献
这篇文章讨论的并不是简单的“AI 能不能分析单细胞数据”，而是在问一个更大的问题：
生成式 AI 能否从“预测蛋白质结构”进一步发展到“预测细胞行为、组织状态、疾病进展乃至临床治疗结果”？
研究认为：
蛋白质层面的 AI 已经取得巨大成功，但从分子 → 细胞 → 多细胞系统 → 个体 → 临床的跨越，远没有解决。
AlphaFold、蛋白质从头设计、突变效应预测等已经取得了非常显著的成果；但是预测一个细胞受到基因、药物或者环境扰动之后会发生什么，困难得多。原因主要包括：
- 细胞行为不是简单的线性序列问题
- 细胞存在大量高阶、多变量相互作用
- 训练数据远远不够
- 不同个体之间存在巨大差异
- 疾病往往由多个细胞共同决定
- 目前很多 AI benchmark 只是统计意义上的提升，而不是生物学发现
- 真正重要的是 prospective validation（前瞻性验证）
因此提出了类似 Hilbert 数学问题的：
15 个生成式 AI 在细胞生物学中的重大挑战。
未来 AI 生物学应该从：
“AI 能不能把已有数据预测得更好？”
转向：
“AI 能不能预测一个尚未观察到的生物学现象，并通过实验验证？”
这是最核心的思想。
二、为什么蛋白质 AI 成功，而细胞 AI 更困难？
这是这篇文章最重要的理论部分之一。
1. 蛋白质问题相对“规整”
AlphaFold 等模型之所以成功，一个重要原因是：
- DNA/RNA/蛋白质序列具有线性结构
- 蛋白质结构存在相对明确的物理约束
- 有大量高质量结构数据库
- PDB 提供了大量实验结构
- 蛋白质折叠受到几何、化学键、进化等约束
因此 AI 可以在相对明确的搜索空间里寻找答案。
三、细胞为什么比蛋白质难得多？
细胞不是：
一个序列 → 一个结构
而是：
基因 + 表观遗传 + 蛋白质 + RNA + 代谢物 + 信号通路 + 细胞间通讯 + 空间位置 + 时间状态 → 细胞行为
例如一个癌细胞的行为可能受到：
- 癌细胞本身
- T cell
- macrophage
- neutrophil
- CAF
- endothelial cell
- cytokines
- ECM
- hypoxia
- metabolism
共同影响。
因此：
一个蛋白质的功能不能直接告诉你整个细胞或者组织会发生什么。
肿瘤就是典型例子：治疗效果往往不是由一个 receptor 决定，而是由整个 TME 的细胞组成和相互作用决定。
四、当前 Gen-AI 最大的问题：高阶相互作用
特别强调：
当前 Transformer/LLM 最擅长的是 token 之间的关系，但是细胞生物学存在大量 N-way interactions。
例如：
Protein kinase → transcription factor → target gene
这里至少存在三方关系。
再比如：
一个完整的 60S ribosome 需要最多 47 个蛋白质协调组装。
所以不能简单地认为：
A 与 B 相互作用
B 与 C 相互作用
那么 A+B+C 的功能就可以被预测。
因为：
三阶、四阶甚至几十阶的组合关系可能产生全新的系统功能。
甚至估计，在考虑大量基因调控元件、蛋白 isoform 和高阶组合之后，可能出现约：
3.48 × 10¹⁵⁰
级别的组合空间。
这已经远超现有计算能力能够直接 brute-force 学习的范围。
五、提出的解决方案：Biology-anchored AI
这是第二个非常重要的思想。
不认为未来路线只是：
更多数据 + 更大的 Transformer
而是认为：
AI + biological priors
也就是：
把生物学知识“预装”进 AI。
例如建立：
Gene regulatory network
↓
Signaling network
↓
Protein-protein interaction
↓
Cell-cell communication
↓
Spatial relationships
↓
Phenotype
然后利用 graph-based attention：
让 AI 不需要在整个巨大的组合空间里搜索，而是在符合生物学规律的区域搜索。
也就是说：
把 biological network 作为 AI 的 inductive bias。
特别提出：
probabilistic graphs + graph-based attention + diffusion kernels
用于限制模型的 attention 范围。
六、为什么不能完全接受“The Bitter Lesson”？
AI 领域有一个非常著名的观点：
The Bitter Lesson
即：
长期来看，通用算法 + 更多计算资源 + 更多数据，往往会超过人工加入的领域知识。
但是：
细胞生物学可能是一个例外。
原因之一就是：
数据太少。
自然语言模型可以使用：
trillions of tokens
而最大的生物数据集也只有约：
10¹⁰–10¹¹ measurements/tokens
而且生物数据的组合复杂度远远高于语言。
更重要的是，目前一些单细胞 foundation models：
- scGPT
- Geneformer
- 相关 single-cell foundation models
在训练数据之外的：
- 新 cell type
- 新 tissue
- 新 perturbation
上，并没有稳定地超过简单的 linear baseline。
所以：
单纯扩大模型，不一定能解决 cell biology。
七、真正应该改变的是 AI benchmark
目前很多 single-cell AI benchmark 是：
根据 gene expression 判断 CD4 T cell 还是 CD8 T cell。
这种问题：
技术上有意义，但生物学意义非常有限。
因为：
- marker gene 已经知道
- 传统方法已经可以完成
- linear regression 往往已经足够
- 大样本下非常小的差异也可以产生极显著的 p value
因此：
AI 的 statistical improvement ≠ biological discovery
分析建议建立两级 benchmark：
Tier 1：Methods development
用于：
- 比较模型
- 比较 architecture
- 比较训练方法
- retrospective benchmark
Tier 2：Biological discovery
要求：
AI 先预测 → 再实验验证。
例如：
AI预测：
“敲除 Gene X 会让 exhausted CD8 T cell
变成 effector state”
↓
CRISPR实验
↓
Perturb-seq
↓
观察真实细胞状态
↓
验证AI预测
后者才是真正有意义的 benchmark。
八、15个重大挑战
把 15 个挑战分成 4 个层级：
Level 1
分子相互作用
↓
Level 2
分子功能
↓
Level 3
细胞/系统功能
↓
Level 4
临床转化
Level 1：Molecular-level interactions
Challenge 1：Regulatory and signaling interactions
调控和信号相互作用
目标：
预测蛋白质与 DNA、RNA、蛋白质、代谢物、小分子之间，在特定细胞环境中的复杂相互作用。
不仅仅是：
Protein A ↔ Protein B
而是：
TF + cofactor + enhancer + chromatin + cell state
共同决定 gene expression。
认为这是 Gen-AI 最基础的问题之一。
验证方法包括：
- TF knockdown
- pairwise TF perturbation
- site-directed mutagenesis
- chromatin cross-linking
- pull-down/MS
- cryo-EM
Challenge 2：Epigenetic interactions
表观遗传相互作用
核心问题：
为什么同样的 DNA，在不同细胞中可以产生完全不同的表达程序？
关键因素包括：
- chromatin accessibility
- DNA methylation
- histone modification
- enhancer
- promoter
- 3D chromatin architecture
例如：
DNA sequence
↓
Histone modification
↓
Chromatin opening/closing
↓
TF binding
↓
Gene expression
↓
Cell state
认为目前我们仍然不知道完整的：
epigenetic combinatorial code
AI 的目标是学习这种规律。
Challenge 3：Cell-cell interactions
细胞—细胞相互作用
这与你做的空间转录组 / cell-cell communication / niche特别相关。
目标是回答：
哪一个 cell source 产生什么 ligand？
哪个 sink cell 表达 receptor？
这个 interaction 是否真的改变了 receptor cell 的 transcriptional state？
例如：
Cancer cell
↓ ligand
Macrophage
↓
M2-like state
↓
Immunosuppression
文章提出的验证包括：
- ligand/receptor CRISPR KO
- rescue
- ligand overexpression
- MERFISH
- seqFISH
- spatial co-localization
这其实意味着未来：
CellChat/NicheNet → AI + spatial + perturbation
可能会成为一个重要方向。
Level 2：Molecular function
Challenge 4：Synthetic mechanisms
合成生物学机制设计
例如：
AI 自动设计一个最优 plasmid。
需要预测：
- promoter
- enhancer
- insertion site
- inducible system
- expression level
- epigenetic silencing
- promoter leakage
最终目标：
AI 直接设计能够在真实细胞中工作的 DNA regulatory system。
而不是：
AI 生成一个“看起来合理”的 sequence。
Challenge 5：Genome → biochemical function
基因组 → 生化功能
这是一个非常重要的方向：
一个 mutation 到底会产生什么功能？
尤其是：
- loss-of-function
- hypomorph
- gain-of-function
- hypermorph
- neomorph
- neutral
例如：
Mutation
↓
Protein structure
↓
Protein stability
↓
Protein interaction
↓
Enzyme activity
↓
Cell phenotype
目前仍没有完全解决。
这个问题与你之前问的：
EGFR L858R / exon 19 / exon 20 mutation
其实高度相关。
Challenge 6：Drug mechanism of action
药物作用机制
反对简单的：
One disease – one target – one drug
因为真实药物机制更像：
Drug
↓
On-target
↓
Off-target
↓
Indirect target
↓
Signaling network
↓
Cell state
↓
Tissue phenotype
因此真正需要预测的是：
proteome-wide drug mechanism + polypharmacology
也就是：
药物究竟影响了整个细胞的哪些蛋白、通路和网络？
包括：
- high-affinity targets
- off-targets
- indirect targets
- context-dependent effects
- drug synergy
Level 3：Cellular / systems function
Challenge 7：Genome → phenotype
基因组 → 生物体表型
目标非常大胆：
设计一个最小但可以独立生存的 organism。
目前最小自由生活细胞之一：
Mycoplasma genitalium
只有约：
482 个 protein-coding genes
但我们仍然无法从零设计一个具有类似最小基因组、同时能够独立生存的 designer cell。
Challenge 8：Cell state reprogramming
细胞状态重编程
这是我认为对你目前研究方向非常重要的一项。
目标：
AI 预测什么 perturbation 可以把一个细胞从 State A 变成 State B。
例如：
Exhausted CD8 T cell
↓
CRISPR
↓
Effector CD8 T cell
或者：
Cancer-associated fibroblast
↓
drug/CRISPR
↓
less immunosuppressive state
把它分成：
Genetic reprogramming
通过：
- gene activation
- gene suppression
- gene combinations
改变细胞状态。
Drug-based reprogramming
用：
- small molecules
- designer antibodies
模拟 genetic perturbation。
Challenge 9：Synthetic circuit design
合成基因线路设计
传统医学：
一个 target → 一个 drug
但癌细胞会适应。
因此提出：
multi-gene logic circuit
例如：
Receptor A
+
Receptor B
+
Receptor C
↓
Boolean logic
↓
Kill cancer cell
AI 的任务是：
找到最简单、最稳定、最不容易产生噪声的 genetic circuit。
同时还要避免：
- immune rejection
- circuit noise
- cellular adaptation
- disease relapse
Challenge 10：Systems-level mechanisms
系统水平机制
研究认为：
没有任何细胞是真正孤立工作的。
例如 CD8 T cell：
DC
↓
Antigen presentation
↓
CD4 helper
↓
CD8 activation
↓
Effector
↓
Chronic stimulation
↓
Exhaustion
所以如果只研究：
CD8 T cell
可能无法真正解释它的行为。
对于癌症尤其如此。
举出的 immunosuppressive TME 包括：
- M2-like TAM
- TREM2+/C1Q+ TAM
- myCAF
- N2 TAN
- HELIOS+ Treg
最终要回答：
这些细胞如何协同形成免疫抑制？
Level 4：Translation
Challenge 11：Complex biomarker identification
复杂生物标志物
传统 biomarker：
一个 protein
未来可能是：
multi-omics biomarker
包括：
- scRNA-seq
- spatial transcriptomics
- proteomics
- cfDNA
- extracellular vesicle
- metabolite
例如：
Patient
↓
scRNA
+
spatial
+
proteomics
+
genomics
↓
AI
↓
Drug-response biomarker
文章提出未来临床 biomarker 应该进行：
prospective blinded validation
并且提出目标：
Clinical AUC ≥ 0.90
biomarker panel ≤20 features
≥2 independent cohorts
Challenge 12：Drug toxicity
药物毒性预测
这是药物研发最大的痛点之一。
例如两个药可能：
target 相同
但：
toxicity 完全不同。
原因可能是：
- off-target
- tissue-specific effects
- immune response
- systemic response
以 TGN1412 为典型案例：
临床前实验没有预测到严重免疫反应，而进入人体后出现严重 cytokine storm。
所以：
只预测 drug-target binding 是不够的。
必须预测：
Drug
↓
Target
↓
Cell
↓
Immune system
↓
Organ
↓
Whole-body response
Challenge 13：Drug efficacy
药物疗效预测
问题不是：
药物有没有效？
而是：
这个药对哪一个患者有效？
例如 HER2 靶向治疗。
如果把所有乳腺癌患者放在一起做 trial，真正的 responder 只是其中一个亚群，那么整体疗效就可能被稀释。
因此未来 AI 应该预测：
Patient multi-omics
+
Drug structure
+
Drug perturbation
+
Disease context
↓
AI
↓
Patient-specific response
而且需要在：
- PDX
- GEMM
- organoid
- clinical trial
中进行前瞻验证。
Challenge 14：Organismal responses
个体水平反应
这里把问题进一步扩大：
能不能预测一个人对 vaccine、infection、drug 的反应？
核心概念：
Immune setpoint
也就是：
一个人在受到刺激之前的 baseline immune state。
它受到：
- genetics
- age
- sex
- environmental exposure
- previous infection
- microbiome
影响。
然后 AI 根据 baseline multi-omics：
预测这个人未来对疫苗、感染、治疗的反应。
给出的一个 benchmark 是：
Pearson r > 0.70
以及：
AUC > 0.80
用于预测高/低 vaccine responders。
Challenge 15：Clinical trial outcome
这是整个体系的终点：
AI 能不能预测一个临床试验中谁会响应、谁不会响应？
不仅预测：
responder / non-responder
还要预测：
为什么响应？为什么耐药？
目标：
prospective phase II/III trial
达到：
AUC ≥ 0.80
并通过：
- organoid
- CRISPR
- functional assays
验证 response/resistance mechanism。
九、15个挑战实际上构成了一条完整的“AI生物学路线”
这篇文章最值得你注意的是：
15 个问题不是孤立的。
它实际上是一条非常清晰的 hierarchy：
Gen-AI Biology
│
┌────────────────┴────────────────┐
│ │
Molecular interaction Molecular function
│ │
1. Signaling 4. Synthetic mechanism
2. Epigenetics 5. Genome → function
3. Cell-cell 6. Drug MoA
│
└──────────────┬───────────────┘
↓
Cellular / Systems
│
7. Genome → phenotype
8. Cell reprogramming
9. Synthetic circuits
10. Systems mechanisms
│
↓
Translation
│
11. Biomarkers
12. Toxicity
13. Efficacy
14. Organism response
15. Clinical outcome
也就是说：
真正的“Virtual Cell”只是中间阶段，而不是终点。
终点是：
Virtual Biology → Predictive Medicine
十、目前最大的瓶颈不是模型，而是数据
很多人认为：
AI 不够强 → 换更大的模型。
真正的问题是：
没有合适的数据。
尤其缺少：
1. Perturbation data
不是只要：
baseline scRNA-seq
而需要：
baseline
↓
perturbation
↓
single-cell response
例如：
Perturb-seq
未来可能需要：
数亿级 single-cell profiles
才能真正学习复杂的细胞行为。
十一、为什么普通 scRNA atlas 不够？
这是做单细胞研究非常相关的一点。
明确指出：
如果你想预测 CD4 T cell 对 cytokine combination 的反应，那么单纯收集数千种细胞的 baseline atlas 并不够。
需要：
Cell
+
Perturbation
+
Time
+
Multi-omics
+
Spatial context
+
Phenotype
例如：
CD4 T cell
↓
IL-2 + IFNγ
↓
Perturb-seq
↓
ATAC
↓
Protein
↓
Cell state
这样 AI 才真正知道：
“受到什么刺激以后，细胞会发生什么变化。”
十二、Spatial transcriptomics 在这篇文章中的位置
提出的很多问题都需要：
single-cell + spatial + perturbation
例如 Challenge 3：
Cell-cell interaction
需要：
- ligand/receptor
- spatial co-localization
- MERFISH
- seqFISH
- perturbation
而 Challenge 11：
Biomarker
直接提出：
single-cell + spatial transcriptomic profiles
未来复杂 biomarker 的重要数据来源。
因此未来可能不是：
scRNA foundation model
而是：
multimodal biological foundation model
把：
Genomics
Transcriptomics
Proteomics
Epigenomics
Spatial
Perturbation
Imaging
Drug
Clinical
统一起来。
十三、文章提出的理想数据结构
从全文可以抽象成：
Patient
│
┌──────────────┼──────────────┐
↓ ↓ ↓
Genomics Transcriptome Proteomics
│ │ │
└──────────────┼──────────────┘
↓
Cell state
│
Spatial context
│
Cell-cell interaction
│
Perturbation
│
Drug / CRISPR / Cytokine
↓
Cell response
↓
Tissue response
↓
Patient response
↓
Clinical outcome
这实际上就是：
Predictive Biology
十四、一个非常重要的观点：AI必须能够解释“为什么”
临床 AI 不能只告诉医生：
“这个患者会响应。”
还应该告诉：
“为什么会响应？”
例如：
Patient A
↓
High IFN-response
↓
T-cell inflamed TME
↓
PD-1 pathway active
↓
Prediction:
Responder
这样医生才能进一步验证机制。
因此特别强调：
Biological priors 不只是为了提高 accuracy，也为了提高 interpretability。
十五、文章提出的终极评价标准
以后评价 biological AI，不应该只问：
Accuracy多少？
而应该问：
① 能不能预测？
② 能不能在独立数据中预测？
③ 能不能预测未知情况？
④ 能不能实验验证？
⑤ 能不能产生新的生物学机制？
⑥ 能不能改变药物研发？
⑦ 能不能最终改善患者治疗？
所以文章提出：
Retrospective benchmark → Prospective validation
这是全文最核心的评价标准之一。
十六、对现在研究方向的启示
如果把这篇 Cell Perspective 和一直在做的：
单细胞 → 空间转录组 → niche → cell-cell communication → AI
联系起来，可以得到一个非常清晰的研究路线：
第一阶段：描述
scRNA
↓
cell type
↓
cell state
这是目前比较成熟的。
第二阶段：空间
scRNA
+
Spatial transcriptomics
↓
Cell neighborhood
↓
Niche
↓
Spatial communication
这正是目前大量关注的方向。
第三阶段：机制
Spatial + scRNA
↓
Ligand-Receptor
↓
NicheNet / CellChat / COMMOT
↓
Candidate mechanism
第四阶段：扰动
真正重要的是：
Candidate ligand
↓
CRISPR KO
↓
Perturb-seq
↓
Spatial validation
↓
Cell-state transition
第五阶段：AI预测
最终：
Baseline multi-omics
+
Spatial
+
Perturbation
+
Drug
↓
Gen-AI
↓
Predict:
“如果我干预X，
细胞会不会从A状态变成B状态？”
这就是文章 Challenge 8 的核心。
十七、如果做肿瘤研究，这篇文章可以直接变成一个研究框架
例如：
肿瘤免疫微环境 AI
Tumor
│
┌─────────┼─────────┐
↓ ↓ ↓
CAF TAM T cell
│ │ │
└─────────┼─────────┘
↓
Cell-cell network
↓
Spatial niche
↓
Immune exclusion
↓
Drug response
然后加入：
scRNA
+
Spatial
+
ATAC
+
Proteomics
+
Perturb-seq
+
Drug response
训练 AI。
最终预测：
给患者某一种药之后，哪个 cell population 会变化？
哪个 niche 会消失？
哪个细胞会产生耐药？
什么联合治疗可以逆转？
这就从普通的：
“描述肿瘤微环境”
进入：
“预测并干预肿瘤微环境”
十八、这篇文章最值得记住的10句话
建议记住这 10 点：
1. Gen-AI 已经在蛋白质结构和设计上取得巨大成功，但细胞行为预测仍远未解决。
2. Cell biology 的核心困难是多细胞、高阶、多尺度相互作用。
3. 当前 Transformer 不一定适合直接学习这种巨大组合空间。
4. 生物学先验应该进入 AI，而不仅仅是“更大模型 + 更多数据”。
5. 当前 single-cell foundation models 在 OOD 场景中仍不能稳定超过简单 baseline。
6. Cell type classification 不是最有价值的 biological benchmark。
7. 真正重要的是 prospective experimental validation。
8. Perturbation data 比单纯 baseline atlas 更重要。
9. 最终目标不是 Virtual Cell，而是预测整个 biological system。
10. Gen-AI 最终要从：
Predict → Explain → Experimentally validate → Intervene → Clinical translation
完成闭环。
十九、全文总结
这篇文章的核心不是“AI 可以帮助生物学”，而是提出了一个更加激进的目标：
未来的生物学 AI 不应该只是从已有单细胞、空间转录组或临床数据中寻找统计规律，而应该建立融合生物学先验、空间信息、多组学、扰动实验和临床数据的生成式模型，从分子相互作用开始，逐层预测细胞状态、多细胞系统、个体免疫反应、药物疗效与毒性，并最终以前瞻性实验和临床试验证明 AI 真正发现了新的生物学。
Cell-cell interaction → Mutation function → Drug MoA → Cell reprogramming → TME/system → Spatial biomarker → Drug response
这几项基本可以串成一条非常熟悉的：
单细胞/空间组学 → AI → 扰动 → 药物机制 → 精准治疗
的完整科研路线。
生活很好，有你更好。
更多推荐
9
0- 0
已为社区贡献2条内容
所有评论(0)