近日，微软旗下虚拟细胞项目组Project Ex Vivo在期刊《Nature Methods》上发表了一篇题为：“Evaluating the role of pretraining dataset size and diversity on single-cell foundation model performance”的论文。

论文在对400个单细胞基础模型开展了6400组实验评测后得出了一个颠覆行业认知的结论：

虚拟细胞似乎并不适用传统大语言模型“扩充数据-提升性能”的数据缩放规律，也就是说行业从100万卷到上亿的数据集规模大战，可能都走了弯路！

实验使用了一个包含2220万个细胞的大型数据集，结果显示仅使用当前海量训练数据中的一小部分（仅1%~10%），模型性能就会进入增长瓶颈。

单纯扩增数据规模、粗放增加数据多样性，都无法提升模型效果，部分复杂模型效果甚至不如传统简易算法，仅少量模型在数据小幅扩容时存在微弱提升。

也就是说，在AI虚拟细胞的研发中，一味扩大模型、数据与算力或许都是无用功，而细胞行为与状态的多样性才是模型训练核心！

虚拟细胞的下一程该怎么走？

论文在最后写到，虚拟细胞或许需要精细化的研发思路：在平衡数据集规模与多样性的同时，兼顾模型架构、训练策略与评测体系的优化。

另外两位作者Peter S. Winter和Ava P. Amini分别补充到：“业内普遍认为只要不断扩大数据规模就能解决所有问题，但事实上，数据所涵盖的细胞状态多样性才是核心关键。”

“简单的嵌入方法（如PCA）往往被严重低估。在许多实际任务中，它们足以媲美甚至超越耗资巨大的Transformer模型。”

MIT+哈佛 用虚拟细胞攻克癌症难题

本研究隶属于微软旗下的虚拟细胞项目组Project Ex Vivo，由该公司与麻省理工和哈佛共建的博德研究所（Broad Institute）联合开展，并得到全美最大癌症研究中心丹娜-法伯癌症研究所（DFCI）的支持。

项目建立于2022年，旨在将细胞状态纳入癌症分型与治疗体系，实现药物与患者的精准匹配，改善癌症患者预后。

团队利用计算模型开展虚拟细胞实验，先通过运算验证科研假设，再进行实体实验，还通过AI预测药物引发的细胞状态变化，以及不同癌种中细胞状态的演变规律。

团队认为，实验室培育的癌细胞以及类器官这样的微型肿瘤模型，无法完全复刻人体内肿瘤的真实状态，这是导致许多在培养皿中表现亮眼的候选药物，最终在临床试验中折戟的关键因素。

他们把研究重心放在细胞状态上，这直接决定肿瘤的药物敏感度、耐药性产生速度以及恶性侵袭能力，一方面有利于现有疗法的患者匹配方案，另一方面也能为药物研发开辟新方向。

研究人员不再局限于靶向基因突变，还可研发针对细胞状态的疗法，甚至通过调控细胞状态，让恶性肿瘤转变为更易治疗的类型。