🔬因果模型需要因果数据——Xaira 用于药物发现的 X-Cell 模型（首席发现官 Bo Wang 与首席 AI 科学家 Ci Chu）🔬Causal Models Need Causal Data - Xaira’s X-Cell model for Drug Discovery (Bo Wang & Ci Chu, Chief Discovery Officer & Chief AI Scientist)

Causal Models Need Causal Data — Xaira’s X-Cell Model for Drug Discovery

播出信息

• 播出日期：2026-07-21
• 节目：Latent Space AI for Science Podcast
• 标题：Causal Models Need Causal Data - Xaira’s X-Cell model for Drug Discovery
• 嘉宾：
• Bo Wang：标题标注为 Chief AI Scientist；在转写自我介绍中称自己是 Xaira Therapeutics 的 SVP、Head of Biomedical AI，约八个月前加入，此前任加拿大多伦多大学副教授。
• Ci Chu / Chu：标题标注为 Chief Discovery Officer；转写中自称 Xaira 的 SVP of AI-enabled Discovery，加入公司两年多，当时公司仍处于 stealth mode；负责高通量生物学团队、模型训练数据生成及应用方向。此前曾在 insitro 领导相关发现平台，也曾任职于由 Google X 分拆出的 Verily。
• 主持人：自动字幕记录为 R.J. Haniki（Mirror OMIX CTO）与 Brandon Anderson（在 Atomic AI 从事 RNA therapeutics）；姓名和机构拼写受自动字幕影响，仍需对照节目正式页面核实。
• 场合：播客录音室访谈，主题横跨 AI 药物发现、虚拟细胞、高通量 Perturb-seq、模型架构、产业与学术协作、开放科学及下一代生物测量技术。
• 全集时长：约 5323 秒，即约 88 分 43 秒。
• 转写状况：来源为 YouTube 自动字幕；用户提供文本中间部分被省略，因此涉及 PISCES、空间转录组、扩散架构及消融实验的笔记，只采用时间戳提示和现有可见转写明确表达的信息，不补造未出现的实验数值。

背景

Xaira 将自己定位为一家 AI-native、端到端的药物发现公司。嘉宾把公司的技术体系概括为三个彼此连接的平台：第一是源自联合创始人 David Baker 所在华盛顿大学团队工作的蛋白质设计平台，目标是利用先进 AI 技术为过去难以处理的靶点设计分子；第二是虚拟细胞或生物学基础模型，用来预测基因或药物干预如何改变细胞；第三是患者表征模型，希望判断哪些患者更可能对哪些治疗产生响应。

其总体目标不是让三类模型各自独立工作，而是把“找对靶点、做对分子、找到合适患者”连接为完整链条。Bo Wang 特别强调，Xaira 不只开发模型，也主动生成适合模型训练的数据，并尝试把细胞层面的因果模型连接到蛋白工程和患者表征。公司希望借此提高药物研发成功率、缩短周期，把高度依赖试错和猜测的过程逐步转化为工程学科。

嘉宾认为，蛋白质设计之所以率先出现 AlphaFold、RosettaFold 等快速进展，重要原因之一是整个社区经过 70 多年积累了高质量蛋白结构数据，并形成 PDB 等公共数据库；此外还有来自不同基因组的序列数据。相比之下，虚拟细胞和临床预测缺少同等规模、同等质量且能反映干预因果关系的数据。X-Cell 因而不仅是模型项目，也是一个实验数据基础设施项目：通过高通量扰动实验建立训练数据，再让模型预测未见细胞类型或未见扰动下的响应。

总结分析

这期访谈的主线并不是“又一个生物学大模型”，而是对 AI 生物学发展路径的一次重新排序：决定模型上限的首先可能不是参数量，而是训练数据是否真正包含干预、响应与上下文。Xaira 认为，普通观察性表达数据只能告诉模型细胞曾经处于什么状态，却未必能让模型学会“关掉某个基因之后会发生什么”；因此，想建立具有药物研发价值的因果模型，就必须主动制造因果数据。X-Cell 的任务，是输入细胞背景和遗传扰动，预测其余基因表达乃至未来更广义的细胞功能变化。节目开头把最直观的结果概括为：将线性基线、真实数据和 X-Cell 预测并排绘成热图后，X-Cell 在视觉上更接近真实结果，并能在未见细胞类型上超过线性基线。

节目同时把虚拟细胞放回更长历史中：约二十年前的“Virtual Cell 1.0”试图用预定义微分方程描述通路反应，但嘉宾认为生物学复杂度难以被少量方程充分表达；语言模型时代又催生了基于大规模单细胞表达数据的基础模型。Xaira 的进一步主张是，虚拟细胞不能停留在细胞状态表征，而应预测干预后的变化，并通过七个全基因组 Perturb-seq campaign 汇集的 PISCES 数据集支撑跨实验、跨背景泛化。架构讨论则聚焦于为什么基因表达生成更适合扩散式而非纯自回归建模，消融实验用于区分真正有效的设计因素。

不过，X-Cell 仍不是完整意义上的数字细胞。当前重点仍是 RNA 与静态终点，蛋白丰度、翻译后修饰、定位、构象、空间关系和时间动态尚未被全面覆盖。访谈最后给出的“魔法棒”答案尤其关键：如果测序同一个细胞时不必杀死它，就能对同一批细胞进行纵向观察，模型才可能从静态快照走向动态生命过程。由此看，X-Cell 的意义既在当前性能，也在它明确暴露了下一阶段的主要瓶颈：测量技术、因果实验规模、多模态数据和真实世界验证。

节目结构 / 议程

1. 开场的“wow moment”：X-Cell 输出与真实扰动数据对齐 — 00:00 🎧 · ▶️
2. Xaira 的三平台战略：靶点、分子与患者形成闭环 — 02:07 🎧 · ▶️
3. 为什么生物学模型落后：不是只有算法问题，而是数据问题 — 07:12 🎧 · ▶️
4. X-Cell 究竟预测什么：把一个基因的“旋钮”向下调 — 13:07 🎧 · ▶️
5. 虚拟细胞不是新概念：从方程模拟到数据驱动模型 — 16:05 🎧 · ▶️
6. PISCES：用大规模 Perturb-seq 为因果模型造数据 — 22:42 🎧 · ▶️
7. 从单细胞 RNA 走向空间与多模态：静态表达不是完整生命系统 — 36:32 🎧 · ▶️
8. X-Cell 架构：为何用扩散模型处理基因表达 — 44:00 🎧 · ▶️
9. 消融与泛化：真正的测试是未见细胞类型 — 54:25 🎧 · ▶️
10. 从单基因走向组合干预：平台边界如何扩张 — 67:10 🎧 · ▶️
11. Agentic AI、开放科学与真正的“魔法棒” — 76:07 🎧 · ▶️

分节详解

1) 开场的“wow moment”：X-Cell 输出与真实扰动数据对齐 — 00:00 🎧 · ▶️

💬 他们说了什么： 开场直接展示了节目最核心的结果：模型完成预测后，可以把基因变化绘制为热图，并与原始实验数据进行并排比较。比较对象包括线性基线预测、ground truth 与 X-Cell 预测。嘉宾称，从视觉上看，X-Cell 的预测明显比线性基线更接近真实结果，并把这一刻称为“wow moment”。他们还强调，这是首次有人把不止一个、而是 七个全基因组 Perturb-seq campaigns 汇集在一起。对生物学家而言，一个立刻显现的现象是：某些扰动可能具有跨上下文的一致性，即转写所称的“context universal”。开场由此把全期主题锁定在两个关键词上：跨数据集规模，以及对未见上下文的预测能力。

💡 为什么重要： 虚拟细胞是否有用，不能只看内部训练指标，而要看它能否在实验真实值上优于简单基线。把预测、基线与真实热图放在一起，为非算法背景的生物学家提供了直观判断入口，也让模型输出更容易进入实验讨论。

⚡ 争议点： “视觉上更相似”不是完整的统计证据，仍需结合明确指标、误差分布和不同任务拆分判断。转写没有保留该段对应的具体性能数字，因此不能据此量化领先幅度。

2) Xaira 的三平台战略：靶点、分子与患者形成闭环 — 02:07 🎧 · ▶️

💬
Xaira 的使命是使用 AI 平台产生更好的治疗手段、推进患者照护，并实际开发药物。第一类平台是蛋白质设计，相关工作源于联合创始人 David Baker 在华盛顿大学的团队，公司内聚集了许多当代蛋白质设计研究者。第二类平台是本期重点，即虚拟细胞或生物学基础模型，用来预测基因和药物分子怎样影响细胞生物学。第三类平台是患者表征模型，目标是理解哪些患者将对哪些治疗产生响应。嘉宾把药物发现简化为“找到正确靶点、制造正确分子、找到正确患者”，同时立即指出，这三件事中的每一件都极其困难。公司希望覆盖从早期 target identification、蛋白质设计和小分子工作，一直到一期至三期临床试验。

💡
三平台布局意味着 X-Cell 并非孤立的学术基准模型，而被设计成端到端药物研发链条中的前端因果推理组件。其商业与科学价值取决于能否把细胞层面预测连接到可工程化的分子以及临床患者分层。

⚡
“提高成功率、缩短周期”是公司目标，而不是转写已经给出的临床验证结论。节目没有提供获批药物数量、临床成功率或周期缩短幅度。

3) 为什么生物学模型落后：不是只有算法问题，而是数据问题 — 07:12 🎧 · ▶️

💬
嘉宾认为，药物发现长期高度依赖试错和猜测，主要问题是缺少适合训练预测模型的生物数据。蛋白质设计是目前进展最快的领域之一，部分原因是社区在 70 多年间积累了大量高质量数据。研究者持续向 PDB 存入蛋白质结构，同时不同基因组也提供了大量序列数据，这些数据共同支撑了 AlphaFold 及其他折叠和设计模型的发展。相比之下，虚拟细胞和临床预测还远没有同等规模、同等质量的数据。Xaira 因而重点投资在实验室中生成细胞生物学的因果数据，并认为这些数据反过来使算法创新成为可能。患者侧更加困难：不仅高质量患者样本难获得，还必须匹配正确的临床注释，才能学习分子数据与临床响应之间的桥梁。

💡
这一判断把竞争壁垒从“谁有更好的神经网络”转向“谁能持续制造正确的实验数据”。对 AI 药物发现公司而言，高通量实验平台、样本质量、协议一致性与临床标注能力，可能和模型架构同样重要。

⚡
蛋白质领域与细胞、患者领域的数据结构不同，PDB 的成功不能直接保证同一开放数据路线能在细胞层面复制。患者样本还涉及隐私、疾病异质性和临床流程差异，但这些问题在可见转写中未被展开。

4) X-Cell 究竟预测什么：把一个基因的“旋钮”向下调 — 13:07 🎧 · ▶️

💬
X-Cell 被定义为 Xaira 的第一个虚拟细胞模型，当前主要任务是预测遗传扰动后的响应。嘉宾解释，人类细胞通常有约 20,000 个基因，但不同细胞并不会以同样程度表达所有基因。眼、皮肤和心脏细胞虽然共享同一基因组，却因为选择性基因表达而具有不同类型、状态与功能。所谓遗传扰动，可以理解为在计算机中降低或移除某个基因的表达，再预测其余细胞系统会出现什么变化。主持人将其形象化为“把一个基因的旋钮调低”，然后观察其他基因怎样响应。更长远的目标不只是预测全体基因表达，也包括预测细胞功能；模型还可以扩展到药物、化学干预和通路抑制。

💡
许多药物本身就是抑制剂，通过降低某个蛋白或基因活动发挥作用，因此基因扰动预测与药理干预具有直接概念联系。若模型能学会从靶点干预推演系统性响应，它就可能帮助筛选靶点并预判下游效应。

⚡
基因表达降低不必然等价于药物抑制蛋白活性，二者在剂量、时间、选择性及细胞机制上可能不同。转写中称模型“可扩展”到药物扰动，但没有给出药物任务的具体结果。

5) 虚拟细胞不是新概念：从方程模拟到数据驱动模型 — 16:05 🎧 · ▶️

💬
嘉宾把虚拟细胞宽泛定义为能够描述细胞状态，或预测干预后细胞表达和功能的 AI 模型。他明确表示，这并不是一个全新的想法，约 20 年前就已有虚拟细胞项目，有时可称为“Virtual Cell 1.0”。早期路线试图写出微分方程，用数学方式描述特定通路干预后的响应，并让方程拟合实验观察。嘉宾对该路线的评价较为直接：从总体上说，这是一种失败尝试，因为生物学过于复杂，无法被少量预定义微分方程充分描述。随着语言模型兴起，虚拟细胞又开始借鉴基础模型思路；时间戳提示将这段历史延伸到 scGPT 一类模型。X-Cell 的区别则在于把重点进一步放到扰动后的变化，而不只是重建已有细胞状态。

💡
这段历史说明，虚拟细胞的核心难题一直是如何在可解释机制与真实复杂性之间取得平衡。数据驱动模型扩大了可表达范围，但是否真正学到可迁移的因果结构，仍要靠未见扰动和未见细胞背景上的验证。

⚡
把早期微分方程路线总体称为“失败”是一种强判断；转写没有逐项讨论哪些机制模型仍然有效。数据驱动方法也不自动等于因果模型，关键仍是训练数据和评估设计。

6) PISCES：用大规模 Perturb-seq 为因果模型造数据 — 22:42 🎧 · ▶️

💬
该部分围绕规模化 Perturb-seq 和 PISCES 数据集展开。开场已透露，团队把 七个全基因组 Perturb-seq campaigns 放在同一个项目中，而不是只训练于单一实验。Xaira 的基本逻辑是：如果想训练预测干预结果的因果模型，就必须让训练数据本身包含受控扰动和对应细胞响应。Ci Chu 所领导的高通量生物学团队正负责生成这类数据，并思考它们如何服务模型和药物发现应用。多 campaign 的意义还在于让团队观察哪些扰动只在特定背景中起作用，哪些可能呈现跨上下文的一致性。节目把 PISCES 视为 X-Cell 的数据基础，而不是与模型无关的附属资源。

💡
单一实验中的优秀表现可能只反映批次、细胞系或协议特征；跨多个 campaign 训练与评估，更接近检验可迁移生物规律。数据生成与模型开发同处一个反馈闭环，也使失败案例能够反过来指导下一轮实验。

⚡
用户提供的可见转写省略了该段主体，因此无法可靠列出 PISCES 的细胞数、扰动数、质量控制标准或数据拆分方式。七个 campaign 的具体来源和可比性仍需查阅预印本。

7) 从单细胞 RNA 走向空间与多模态：静态表达不是完整生命系统 — 36:32 🎧 · ▶️

💬
时间戳提示显示，该段讨论空间转录组和未来模态。节目后段进一步明确，生物学远不止基于细胞的 Perturb-seq，也不止 RNA sequencing。嘉宾希望未来能够测量蛋白质、代谢物、脂质以及蛋白质之间的相互作用，并把这些测量扩展到大规模条件。除单细胞内部状态外，还需要观察细胞之间的相互作用、细胞在原生空间环境中的位置，以及全动物层面的体内扰动。Ci Chu 认为，产业界擅长将数据生产规模化，但学术界仍会在新测量方法和新生物问题上提供关键创新。这些模态最终需要被连接起来，才能逐步覆盖更完整的生物系统。

💡
RNA 是重要信号，却不是细胞功能的全部；缺少空间、蛋白和代谢信息时，相同表达变化可能对应不同功能结果。虚拟细胞若要从表达预测走向药物机制预测，就必须逐步吸收更多生物层级的数据。

⚡
多模态并不只是增加输入列数，不同测量技术的噪声、尺度和采样对象未必天然一致。可见转写没有说明 X-Cell 当前是否已经联合训练空间或蛋白数据，因而不能把未来方向写成现有能力。

8) X-Cell 架构：为何用扩散模型处理基因表达 — 44:00 🎧 · ▶️

💬
时间戳明确把这一部分概括为“X-Cell architecture — why diffusion beats autoregression for gene expression”。也就是说，团队在基因表达生成任务中选择了扩散式建模，并将其与自回归路线进行比较。这里的建模对象不是自然语言中的离散词序列，而是基因扰动后整体表达状态的变化。节目将这一架构选择与 X-Cell 的核心任务联系起来：模型要根据细胞上下文与干预条件，生成或预测响应后的表达图景。团队并未把架构单独作为卖点，而是继续用消融实验和未见细胞类型上的泛化表现检验设计是否有效。可见转写中没有保留扩散过程、损失函数或网络模块的具体细节。

💡
生成架构必须与数据结构匹配；基因表达中的变量并不天然具有像文本 token 那样唯一且固定的生成顺序。节目至少提出了一个明确的工程判断：对这一任务，扩散路线比自回归路线更合适。

⚡
“扩散优于自回归”应限定在论文所用数据、任务和评估设置内，不能泛化为所有生物生成问题的普遍定律。由于中段转写缺失，本笔记无法给出二者的精确性能差或计算成本比较。

9) 消融与泛化：真正的测试是未见细胞类型 — 54:25 🎧 · ▶️

💬
该部分先讨论消融结果，即逐项移除或改变模型组件，判断究竟哪些因素真正推动性能提升。随后在 57:29 转向泛化测试，时间戳明确指出 X-Cell 在未见细胞类型中击败线性基线。Bo Wang 将生物学家的积极反馈视为重要信号：模型第一次能够预测未见细胞系对不同扰动的响应。开场热图比较也与此呼应，X-Cell 预测在视觉上比线性基线更接近 ground truth。团队关注的不只是同一细胞背景内插值，而是模型能否利用其他上下文学习到的规律迁移到新细胞类型。某些扰动表现出的“context universal”性质，可能正是跨背景泛化的一个来源。

💡
若模型只能记住已见细胞系中的平均反应，其药物发现价值会非常有限。未见细胞类型上的优越表现更接近真实使用情境，因为实验团队经常希望推断尚未被完整测量的新模型系统。

⚡
线性基线可能是强而重要的参照，但仅战胜线性模型不足以证明完整的因果理解。可见转写没有给出泛化数据拆分、重复实验、置信区间或其他深度模型基线，结论强度需以论文为准。

10) 从单基因走向组合干预：平台边界如何扩张 — 67:10 🎧 · ▶️

💬
时间戳提示将该部分概括为单一扰动、组合扰动和平台扩展。当前对非生物学听众最清楚的任务，是降低一个基因的表达，再预测其余基因和细胞状态的变化。嘉宾同时表示，X-Cell 可以继续扩展到其他干预类型，包括药物扰动、化学扰动和通路抑制。组合扰动比单一扰动更接近复杂干预场景，因为细胞内基因和蛋白通过通路形成长链反应，而不是彼此独立。Xaira 还希望把虚拟细胞发现的靶点连接到蛋白工程平台，并进一步连接患者表征。平台扩展的最终目标因此不是增加模型任务数量，而是让靶点、分子与患者三端相互约束。

💡
药物组合与多靶点效应可能呈现非线性，不能总由单一扰动结果简单相加。若模型能可靠处理组合干预，它就更有机会参与候选治疗方案设计，而不只是解释单基因敲低实验。

⚡
转写未提供组合扰动的具体数据规模、基准结果或外部验证，因此不能判断这一能力已经成熟到何种程度。平台间“连接”也是研发方向，不代表临床闭环已经完成。

11) Agentic AI、开放科学与真正的“魔法棒” — 76:07 🎧 · ▶️

💬
Bo Wang 鼓励大学里的 dry-lab AI 研究者与产业合作，以获得更多资源并推进自己的想法；他同时强调，在 agentic AI 让更多人都能写代码之后，“研究品味”变得更重要，否则只会无目的地消耗 token。他过去常告诉学生，理解一个方法的最好方式是亲自编程，因为实现过程会暴露论文公式中被省略的细节；但现在 agent 做了更多编码，人类反而把更多时间花在调试和发现 AI 生成代码的错误上。Ci Chu 认为湿实验学术界仍有不可替代的作用，未来会进入产业与学术相互授粉的共生创新阶段。两人支持数据、模型、标准协议与资源共享，并以 PDB、AlphaFold、RosettaFold 及蛋白质领域的繁荣作为参照。被问到最想移除的瓶颈时，一位嘉宾选择大规模蛋白质测量，另一位则希望同一个活细胞能在多个时间点被反复测序；目前测序细胞通常需要杀死细胞，因此现有数据和模型都高度静态。

💡
这一结尾把虚拟细胞的终极目标从“预测一张更准确的表达快照”推进到“模拟同一细胞随时间演化”。它也指出 AI 自动化并未消除科研训练的必要性，而是把人的工作从手写代码转向提出正确问题、识别错误并用真实实验验证。

⚡
蛋白质领域的开放模式能否原样复制到高成本、带商业价值的扰动数据，仍存在现实张力。活细胞纵向全转录组测量在节目中被描述为尚未实现的理想技术，而不是现有 X-Cell 能力。

人物与机构

• Bo Wang

• 转写自述为 Xaira Therapeutics 的 SVP、Head of Biomedical AI。

• 约八个月前加入 Xaira。

• 此前是加拿大多伦多大学副教授。

• 重点关注虚拟细胞、因果基础模型、模型架构及与药物发现流程的连接。

• Ci Chu / Chu

• 转写自述为 Xaira 的 SVP of AI-enabled Discovery。

• 加入公司两年多，加入时公司仍处于 stealth mode。

• 领导高通量生物学团队，负责生成 AI 模型所需数据并思考应用。

• 此前在 insitro 领导相关发现平台，也曾任职于 Verily。

• 表示自己在 AI、大数据与生物学交叉领域工作了约十年。

• David Baker

• Xaira 联合创始人之一。

• 嘉宾称公司的蛋白质设计工作源于其华盛顿大学团队。

• Xaira Therapeutics

• 自动字幕多次误写为“Zera”或“Zara”。

• 定位为 AI-native 药物发现公司。

• 建设蛋白质设计、虚拟细胞、患者表征三类平台。

• 目标覆盖从靶点发现到一期至三期临床试验的端到端流程。

• PDB

• 蛋白质结构公共数据库。

• 被嘉宾用作开放、高质量数据推动蛋白质 AI 进展的例子。

• AlphaFold、RosettaFold

• 作为蛋白质结构与开放科学生态快速迭代的代表性模型被提及。

• insitro、Verily、Google X、多伦多大学、华盛顿大学

• 分别与嘉宾履历或 Xaira 技术来源有关。

金句（中英对照）

“药物发现其实很容易：你只要找到正确的靶点、制造正确的分子，再找到正确的患者把药给他。当然，这三步中的每一步都难得不可思议。” “If you think about drug discovery process, it’s easy, right? You just need to find the right target, make the right molecule, and find the right patients to give them to. Of course, each of those steps are incredibly difficult to get right.”

“我们没有真正正确的生物学数据，来支撑一个预测模型的训练。” “We don’t have the right biological data really to power the training of a predictive model.”

“把一个基因的旋钮调低，然后看看这个细胞中的其他所有基因会发生什么。” “You basically turn the knob down on one gene, and then what happens to all the other genes in that cell.”

“生物学实在太复杂了，无法写进少量预定义的微分方程。” “Biology is just way too complicated to write in a few predefined set of differential equations.”

“现在人人都能写代码，因此更重要的是对项目有正确的品味，而不是毫无目的地燃烧 token。” “Now everybody can code. So it’s more important to have a right taste about your projects so that you don’t just burn tokens without purpose.”

“过去我们花大量时间写代码、少量时间调试；现在我们让 agent 写大部分代码，却把大部分时间花在调试上。” “We used to spend lots of time coding, a little bit time debugging, but now we let the agent do most of the coding, but we spend most of time debugging.”

“最终，你仍然需要用真实世界证据验证模型。” “In the end you still need to validate your model using real world evidence.”

“RNA 很了不起，它预示着哪些蛋白质将会被制造出来；但总的来说，蛋白质才是细胞中的功能单元。” “RNA is amazing. It foreshadows which proteins are going to get made, but protein by and large are the functional units in a cell.”

“为了测序一个细胞，你必须杀死这个细胞。” “In order to sequence the cell, you have to kill the cell.”

“你不可能既拥有蛋糕又把它吃掉。” “You can’t have the cake and eat it.”

洞见与延伸背景

1. X-Cell 的真正资产是“模型—实验”联合系统

节目没有把 X-Cell 描述成一个仅依赖公共数据训练的纯软件产品。Ci Chu 的高通量生物学团队负责生产训练数据，Bo Wang 的团队开发预测模型，而生物学家对预测结果的“wow moment”又成为模型是否解决真实问题的反馈。由此可见，其核心单位不是一份 checkpoint，而是持续生成干预数据、训练模型并实验验证的循环。

2. “因果”主要来自数据采集方式，而不是模型名称

嘉宾把 genetic perturbation 作为核心输入：主动降低一个基因，再观察其余系统如何变化。这种受控干预比单纯收集自然细胞状态更接近因果问题。节目并未声称只要使用扩散模型就能自动获得因果性；相反，它反复强调“需要正确的数据”。

3. 强线性基线是生物学建模的必要参照

开场和泛化部分都将 X-Cell 与线性基线对照。这里隐含的重要判断是：复杂深度模型必须证明自己捕捉到了简单线性响应之外的东西，否则增加架构复杂度并不自然等于增加生物价值。

4. 虚拟细胞存在至少三层递进目标

第一层是表示或描述细胞当前状态；第二层是预测基因、药物或通路干预后的状态；第三层是描述同一个细胞随时间演化的动态。嘉宾认为，第三层才更接近“真正的虚拟细胞”，但当前测量技术仍主要提供静态终点。

5. 产业与学术的分工不是“谁替代谁”

产业界能够工业化、规模化地生成高通量数据，学术界则继续产生新测量方法、新架构和新生物学问题。嘉宾预期的是“共生创新”和思想交叉，而不是产业完全取代高校实验室。

6. AI 编程工具改变了训练重点，但没有消除训练过程

Agentic AI 可以减少手工编码，却增加了识别 AI 错误、检查实现细节和验证结果的重要性。研究品味来自深入某一领域、与同行和导师交流，并不断把模型同湿实验和临床现实对照。

为遵守“只使用转写中出现的事实与数字”的要求，本笔记不引入节目之外的公司融资、论文指标、数据集规模、模型参数量或临床管线信息。需要进一步了解 PISCES 与 X-Cell 技术细节时，应直接核对节目所说的预印本及正式代码、数据说明，而不以本次节选字幕代替论文原文。

争议与需核实

1. 嘉宾职衔不一致。 标题把 Bo Wang、Ci Chu 分别标为 Chief Discovery Officer 与 Chief AI Scientist，但转写自我介绍分别是 Head of Biomedical AI 和 SVP of AI-enabled Discovery。需要以播出时 Xaira 官网或节目正式 show notes 为准。

2. 自动字幕中的公司名明显不稳定。 “Xaira”多次被转成“Zera”或“Zara”；Perturb-seq、in silico、transcriptome、agentic AI 等术语也出现严重拼写错误。

3. 主持人姓名与机构拼写需核实。 自动字幕记录的 R.J. Haniki、Mirror OMIX 等可能存在误识别，不能视为权威拼写。

4. “首次汇集七个全基因组 Perturb-seq campaigns”是嘉宾主张。 是否严格构成领域内“首次”，需要系统查阅此前工作后确认。

5. X-Cell 优于线性基线的幅度没有出现在可见转写中。 目前只能确认嘉宾称其在热图上更接近 ground truth，并在未见细胞类型上胜过线性基线；无法补写具体指标。

6. 扩散优于自回归的适用边界需要限定。 时间戳给出了主题，但缺失段落未提供性能数字、资源成本及不同任务条件。

7. “Virtual Cell 1.0 总体失败”属于嘉宾评价。 这不等于所有微分方程、动力学或机制模型都失去价值。

8. 从遗传扰动迁移到药物扰动仍需实证。 基因表达下调、蛋白活性抑制和真实药物作用并非完全同义；节目把后两者视为扩展方向。

9. 临床闭环尚未展示。 Xaira 希望连接细胞、分子和患者，但转写没有提供药物获批、临床试验成功率或患者响应预测结果。

10. 开放科学与商业数据之间存在张力。 嘉宾倡导共享数据、模型和协议，但转写没有说明哪些 Xaira 资产将完全开放、以何种许可证开放，以及商业敏感数据如何处理。

11. 活细胞纵向测序属于“魔法棒”愿景。 节目提到抽取部分细胞质、让细胞分泌囊泡等早期尝试，但明确表示尚无能够在保留细胞的同时测量完整转录组的技术。

行动建议

对 AI / 计算生物学研究者

• 不要只在随机划分上报告结果，应优先测试未见细胞类型、未见扰动及跨实验 campaign 的泛化。
• 把线性基线保留为必要参照，明确复杂模型究竟增加了什么能力。
• 使用 agentic AI 编程时，将更多精力投入测试、调试、数据泄漏检查与真实实验验证。
• 阅读 X-Cell 预印本时，重点核对数据拆分、消融实验、扩散与自回归比较，以及 PISCES 的质量控制方法。

对湿实验团队

• 设计数据集时，从模型最终要回答的干预问题反推实验协议，而不只是尽可能多地收集静态观察数据。
• 重视跨 campaign 的协议一致性、批次效应和细胞背景差异。
• 探索 RNA 之外的蛋白质、代谢物、脂质、相互作用、空间及体内扰动测量。
• 与计算团队建立迭代机制，让模型失败案例决定下一轮最有信息量的实验。

对药物研发团队

• 将虚拟细胞输出定位为靶点和实验优先级工具，而不是未经验证的临床替代品。
• 明确区分遗传敲低、通路抑制、化学扰动和真实药物作用。
• 评估模型时，要求展示从靶点发现到分子设计、再到患者分层的具体接口，而不只看单一模型指标。
• 对“成功率提高”“周期缩短”等说法，要求以实际项目和临床数据验证。

对学术机构与学生

• 与产业合作获取规模化实验资源，但保留方法透明性、独立验证和公开研究空间。
• 通过亲自实现、检查 AI 代码和复现实验培养研究品味，而不是把科学判断外包给 LLM。
• 优先研究产业规模化平台尚未解决的新测量方法、新模态、新生物问题和验证框架。
• 把“什么值得测量、什么值得建模、怎样证伪”视为比单纯生成代码更重要的能力。

来源

• reused_en_transcript
• latent.space
• 音频
• YouTube

最后的关键判断：X-Cell 最值得关注的并非“虚拟细胞”这一名称，而是它把模型能力建立在主动生成的扰动数据之上；但距离真正能够模拟活细胞随时间演化的虚拟细胞，仍缺少大规模蛋白测量、空间与多模态数据，以及无需杀死细胞的纵向测序技术。