虚拟细胞与 AI 药效预测：从组学数据到模型判读

课程简介

「虚拟细胞」是这两年 AI 与生物医药交叉领域最热的词之一，也是最容易被滥用的词之一。同一个名字底下，有的模型能预测患者对药物的反应，有的只能把已知数据重新画一遍。

这门课不教你训练一个基础模型，而是教你判断：一个虚拟细胞模型到底靠不靠谱。课程以 2026 年 9 月发表在《自然》的 ProteinTalks 工作为主线，拆开它的数据设计、训练策略和评估方法，再对照转录路线的常见做法，看清差别在哪里。

图1：从选模态到选终点，每一步都有陷阱

学习目标

• 区分转录组与蛋白质组在药效预测中的信息含量差异，理解相关性仅约 0.4 意味着什么
• 判断一份组学数据是否具备时间分辨与扰动设计，能否支撑反事实预测
• 读懂虚拟细胞论文的评估部分，分辨「重建误差低」与「临床可用」的差别
• 掌握迁移验证的基本思路：模型在其它癌种上还能不能用，说明什么
• 能独立列出一个虚拟细胞项目的关键风险点：批次效应、样本量、通量成本

章节概览

1. 第一章：细胞状态的可观测层——从基因组到蛋白质组
2. 第二章：为什么 RNA 丰度不等于蛋白质丰度
3. 第三章：时间分辨与扰动设计：从照片到电影
4. 第四章：ProteinTalks 拆解——数据、模型、评估三段式
5. 第五章：虚拟细胞的评估陷阱与临床终点选择
6. 第六章：迁移、外推与失败案例分析

图2：指标低不等于临床可用

适合谁

有基础分子生物学或生物信息学背景，需要阅读和评判 AI 生物学论文的研究者、药企研发人员，以及正在决定要不要投入虚拟细胞方向的技术负责人。不需要深度学习背景。