Helmholtz Munich 的 Fabian Theis 推动虚拟细胞算法研究

Fabian Theis一直是Virtual Cell概念及各项相关计划多轮演进中的关键人物。说他的实验室一直在推动算法前沿，以理解多尺度、多模态（“multiomics”）、随时间变化的生物数据，这绝非夸张。 事实上，他通过其在Helmholtz的领导工作、多家初创公司，或许还有Biohub本身，塑造了大规模愿景和数据收集工作。 AI x Bio领域近期的关注大多集中在蛋白质和分子设计上。AlphaFold、ESM和BioHub、Chai、Leash、Isomorphic、Boltz、Genesis、Octant、Baker Lab，以及许许多多其他项目。在最初的兴奋之后，Virtual Cell项目受到的关注有所减少，这在很大程度上是因为人们质疑大规模模型能否解决哪怕是基本的Virtual Cell问题。 一笔18亿美元的押注 几周前Biohub的公告因（确实）巨大的数字而获得大量报道：来自Biohub、NIH、DOE、Google和Meta的18亿美元承诺[1]。讨论中提到了新的成像和测量能力，生成大型数据集，并使数据可用于训练AI。 https://x.com/biohub/status/2107819946034266562 但为什么这些组织现在要加倍押注这些大赌注？这些工作已经筹备多年，是什么让现在成为推进的时机？ 新的测量能力和规模化基础设施如今正在上线，这使得Biohub的推进很可能对科学产生重大影响。DOE和NIH正在开发规模化的lab-in-the-loop自动化能力。Google正在扩展和拓宽其connectomics能力（即将推出相关节目！）。Biohub自身已与多个实验室合作，开发和改进成像平台，如激光相位板显微镜、光片显微镜，以及用于常规显微镜的先进后处理技术，以揭示深层表型数据。这些技术正在迅速成熟，并很可能在Biohub计划中发挥重要作用。 Virtual Cell的困境 这类多尺度、多模态数据看起来很像Fabian整个职业生涯所建模的数据。另一方面，Virtual Cell建模遇到了问题，这些问题削弱了人们对系统生物学的热情。 2025年Arc Virtual Cell Challenge揭示了这一问题：大量论文指出，恒定基线（甚至不是线性的！）在“Perturbation Prediction”上往往胜过复杂模型。如果你改变细胞的输入或编程（通过基因编辑、药物或其他环境因素），细胞将如何改变其“状态”？令人失望的发现是，许多模型甚至无法击败最基础的基线🤦‍♂️。 情况实际上并没有那么糟： https://www.nature.com/articles/s41587-026-03307-w 这篇出色的论文表明，许多现有评估指标校准不佳：它们可能奖励无信息的均值预测，因为大多数基因几乎不变。使用校准更好的指标，深度学习模型可以胜过均值基线。 问题本身就是问题 尽管如此，Fabian Theis认为，在现有数据集下进行扰动预测，根本算不上一个足够困难的问题，不值得使用复杂算法。相反，我们应该聚焦于Biohub刚刚宣布投入18亿美元数据收集工作所针对的那些问题：利用大型、高精度、多尺度、共配准的生物数据，预测分子→细胞→微环境→组织→器官→生物体的演化，以及所有这些尺度如何相互影响。 这是一种令人欣喜的局面：此时此刻，AI使我们能够处理规模大得多的问题，而这个问题非常非常大。我们缺乏对这些不同“适用范围”之间“尺度接口”的理解，也缺乏数据。Biohub计划旨在解决数据问题。Fabian Theis多年来一直致力于为这些更大的问题建模的算法。 https://youtu.be/DLKg78H1wSI 我附近的其它细胞如何改变我的状态？来自一次扰动的细胞分布会发生什么？我如何扰动一个细胞，使其进入我想要的状态？ 这些是日益复杂的问题，它们正朝着lab-in-the-loop和大规模实验发展，并且（实际上）需要日益复杂的模型。 模型驱动精准医学 Fabian的实验室和各项计划也一直在大力投入：Helmholtz的Computational Health Center结合AI、分子数据、医学影像、基因组学和临床数据，开发用于精准医学的预测性和机制性模型。Institute of Computational Biology开发统计和动力学模型，整合从单细胞时间序列到群体规模组学数据的生物信息。 鉴于他身处前沿的驾驶座，我们非常兴奋有机会获得他一小时的时间，来了解在“困难”的概念变化如此之快之际，Fabian Theis如何看待Virtual Cells。 我们还讨论了：

• Virtual Cells的业务
• 生物学中的The Bitter Lesson——我们常谈的话题
• 培养下一代计算生物学家
• 闭合lab-in-the-loop https://youtu.be/3nAV2s4GYbs [1] NIH的资金是先前投资