虚拟细胞研究进入Next Level:中国学者推出“细胞锻造厂”,让AI智能体自主设计优化虚拟细胞模型

虚拟细胞：数字世界里的生命模拟

　　要理解 CellForge 做了什么，首先要了解“虚拟细胞建模”（Virtual Cell Modeling）这个领域。简单来说，它的目标是在计算机中模拟一个细胞，并预测当这个细胞遭遇“扰动”时会发生什么。

　　这些“扰动”可以是一次基因敲除、一种新药的刺激，或是细胞因子的作用。通过单细胞 RNA 测序（scRNA-seq）等技术，科学家能获取细胞在扰动前后数万个基因的表达数据，海量而复杂。

　　传统上，针对每一个新数据集、新扰动类型，研究人员都需要结合领域知识，手动设计或挑选合适的机器学习模型架构，过程繁琐且高度依赖专家经验。这就像为每一位病人量身定制一套完全不同的诊断算法，效率低下且难以推广。

从“单打独斗”到“团队作战”：AI 智能体的科研革命

　　CellForge 的核心创新，在于它采用了“多智能体”（Multi-Agent）协作框架。可以理解为这是一个高度专业化的 AI 科研团队，而不是一个单一的、试图解决所有问题的“超级 AI”。

　　这个团队分工明确，配合默契——

• 任务分析模块：相当于团队的“情报官”和“文献调研员”。它首先自动解析用户给的单细胞数据集，理解其中包含的细胞类型、扰动信息、数据特征等。接着，它会自动检索相关的科学文献，从中汲取设计模型的灵感和原则。
• 设计模块：这是团队的“智囊团”和“辩论会”。系统会动态组建一个专家小组，成员可能包括“数据专家”、“单细胞生物学专家”、“深度学习架构师”等。它们以“角色扮演”的方式，围绕任务展开基于图结构的讨论。
  • 每位专家提出自己的模型设计方案。
  • 一位“评审专家”负责点评每个方案的优缺点并打分。
  • 专家们也会互相评价同行的方案。

  　　通过多轮辩论，方案不断融合、改进，直到所有专家对某个设计达成高度共识。这个过程能催生出人类专家可能想不到的创新架构，例如论文中提到的、用于处理时间动态数据的“轨迹感知编码器”。

• 实验执行模块：这是团队的“工程师”和“实验员”。一旦设计方案确定，该模块会自动将其转化为可运行的代码，并管理整个训练过程。它具备“自我调试”能力，遇到代码错误时会分析问题、自动修补并重新尝试。训练中还能进行轻量的超参数调优，并在完成后自动验证模型性能。

　　这个框架的魅力在于，它不是从一堆预设的模板中做选择，而是通过智能体之间基于知识的辩论与协作，真正从零开始“创造”出一个新的、针对特定任务优化的模型。这超越了简单的超参数调优，实现了方法论层面的创新。

实战检验：媲美顶尖专家，探索未知领域

　　研究团队在六个公开的单细胞扰动数据集上对 CellForge 进行了全面测试，任务涵盖基因敲除、药物处理、细胞因子刺激等多种类型，数据模态也包括了 scRNA-seq（用于检测基因表达情况）、scATAC-seq（用于分析染色质可及性）、CITE-seq（同时检测 RNA 和蛋白质）等。

　　在已知方法较多的领域（例如基因敲除的 scRNA-seq 数据），CellForge 自动设计的模型表现出了强大的竞争力。在 Adamson 和 Norman 这两个经典数据集上，其模型在预测扰动后基因表达的关键指标（例如 MSE、PCC、R²）上，与 CPA、scGPT、Biolord 等人类设计的顶尖模型不相上下，甚至在部分指标上实现超越。

　　在缺乏成熟方法的“无人区”，CellForge 的价值更加凸显。例如，在预测染色质可及性变化（scATAC-seq 数据）或蛋白质表达变化（CITE-seq 数据）的任务上，由于没有现成的专用模型，传统的基线方法（例如线性回归、随机森林）表现平平。而 CellForge 能够自主设计出适应这些独特数据模态的定制化架构，取得了显著的性能提升。这证明了其方法具备强大的泛化能力和探索性。

不止于预测：理解生命的“黑匣子”

　　一个好的模型不仅要预测得准，还要让人类理解其决策。CellForge 的设计也考虑到了生物学的可解释性。

　　评估显示，其模型能有效识别出在扰动中真正发生关键变化的基因（差异表达基因），并且预测的细胞状态在整体结构上与真实生物学图谱保持一致。通路富集分析也证实，模型捕捉到的信号与已知的生物学通路（例如 NF-κB、p53 信号通路）相符。

未来与挑战：迈向自主科学发现

　　CellForge 代表了一种科研范式的转变：从人类指导 AI 执行单一任务，转向 AI 自主管理从问题分析到方法实现的全流程。它为计算生物学，乃至更广泛的科学领域，提供了一条自动化方法开发的新路径。

　　当然，这条路并非一片坦途。论文也诚实地指出了当前局限：

• 结果可变性：由于自动设计过程的随机性，不同次运行产生的模型性能会有波动，需要多次运行以确保获得稳健的好模型。
• 计算成本：多智能体的讨论、代码生成与调试、模型训练会消耗可观的算力和 API 调用成本。但相比耗费顶尖科学家数月的人工设计时间，这种成本或许是可以接受的效率交换。

　　研究团队在论文中分享了一个鼓舞人心的试点案例：两位完全不了解该框架的湿实验室研究人员，仅凭入门教程，就在大约一小时内，成功使用 CellForge 为他们的实际研究问题（免疫治疗和心血管疾病建模）自动设计并训练出了有效的预测模型。

　　这预示着，此类工具有望极大地降低先进计算建模的门槛，让更多生物学家能将精力聚焦于科学问题本身，而非复杂的编程与算法设计。

　　CellForge 就像一座刚刚点燃炉火的“锻造厂”，只是，它锻造的不是钢铁，而是探索生命奥秘的智能工具。它的出现告诉我们，AI 在科研中的角色，正从得力的“助手”，向富有创造力的“合作者”悄然演进。

https://arxiv.org/pdf/2508.02276