扰动之心走出隐匿模式，发布AlphaCell 1.0 Pro驱动药物研发新范式
当大模型在文本、图像领域不断刷新性能上限，直接将Transformer、预训练及Scaling Law等“拿来主义”照搬到生命组学（Omics）领域时，却频繁遭遇现实壁垒。组学数据具有高维、稀疏、动态、异质及标签稀缺等特征，与AI适配的经典数据类型存在巨大鸿沟，导致大量AI for Science（AI4S）项目难以真正走进产业研发场景。
近期，国内AI for Science初创企业扰动之心（PerturbMind AI）正式走出隐匿模式，打造基于几何世界模型的PerturbSeek™数字生命世界模型生态系统，探索适配生命组学并可工程落地的AI技术路线。团队同时发布业内首个虚拟细胞状态推演世界模型AlphaCell 1.0 Pro，其前身AlphaCell 1.0 Preview曾于今年3月发布并获《Nature》报道。
扰动之心孵化于同济大学数字生命智能体实验室（DELTA Lab），由CEO啜国晖博士与首席科学家刘琦教授领衔。DeepTech近日在上海与其对话，深入探讨组学AI的技术路径、Scaling Law的适用边界以及AIDD的未来走向。
照搬通用AI框架面临三道“鸿沟”
DeepTech：将适用于文本、图像的AI框架迁移到组学数据上会遇到哪些问题？
刘琦：组学数据与文本、图像在底层逻辑上存在本质差异。
首先，文本和图像是单一尺度层级（词元或像素），而组学数据涵盖从分子到个体的多尺度层级；其次，组学数据涉及序列、结构、空间等多种表现形式，且具有时序轨迹特性及原位空间描述需求；再次，组学数据信噪比低、批次效应突出、标注成本高且标签稀缺。
若照搬主流AI架构，会遭遇三道“鸿沟”：
- 数据形态鸿沟：主流AI基于海量静态同质数据，而组学数据稀疏、动态、异质；
- 任务目标鸿沟：文本图像聚焦关联与判别，生命组学需解析科学机制；
- 验证闭环鸿沟：组学模型预测需回到生物实验验证，个体差异大、成本高、周期长。
传统AI建模依赖的海量大数据、静态快照、独立同分布及易获取标注等前提，在生命组学场景中几乎均不成立。
啜国晖：产业端体会更深。许多套用通用架构的模型在公开基准上表现亮眼，但在企业真实数据上性能断崖式下跌，根源在于批次效应和样本异质性破坏了独立同分布假设。简单修改输入输出的“套壳”行为无法解决根本问题。
生命组学中的Scaling Law：有条件且有边界
DeepTech：尺度法则（Scaling Law）在生命组学里是否成立？
刘琦：Scaling Law在生命组学中并非简单成立，而是受条件和边界约束。语言大模型的成功依赖于万亿级数据、单一同质任务及静态语料库。相比之下，单细胞数据规模低2-3个数量级，任务高度异质，且受批次效应干扰。因此，不能简单套用NLP和CV中“堆数据、堆参数”的逻辑，需探索属于生命组学的尺度法则。
啜国晖：我们提出“参数量甜点”（Sweet Spot）概念，即性能、算力成本和泛化能力之间存在平衡点。AlphaCell系列模型采用弹性伸缩设计：标准版1B参数，轻量版300M参数适配私有化部署，最大可扩展至50B参数以应对复杂场景。我们根据具体生物任务选择模型规模，而非盲目堆叠参数。
适配生命组学的四大核心方向
DeepTech：真正适配生命组学的AI方法学应抓住哪些核心方向？
刘琦：主要包含四个方向：
- 多尺度跨模态整合：打通分子、细胞、组织等多尺度生物信息；
- 生物语义低秩：将高维噪声数据映射至反映细胞内在结构的低维生物流形隐空间；
- 时空动态变化：利用“世界模型”推演疾病和发育过程中的状态转移；
- 监督信号稀缺：发展弱监督、半监督及无监督学习范式，从“识别关联”走向“因果发现”。
团队前期开发的CausCell原型系统即在反事实生成方面进行了初步探索。“PerturbMind”之名寓意以扰动干预作为理解复杂生命系统的钥匙。
PerturbSeek™生态：以“状态”为中心的AIDD新范式
DeepTech：如何将方法论落地为产业可用平台？
啜国晖：我们以扰动组学、几何深度学习、世界模型理论为基石，构建PerturbSeek™生态系统。传统AIDD多为“靶点中心化”，而我们倡导“以状态为中心”的世界模型范式。疾病本质是生命系统稳态失衡带来的状态偏移，该范式不仅能设计药物分子，更能解析复杂疾病机制、挖掘全新靶点，实现“既配钥匙也找锁”。
AlphaCell 1.0 Pro在上一代基础上升级了扰动轨迹推演能力，通过学习生物隐空间流形上的状态迁移规律，即便在训练样本有限或面对未见过的生物背景时，仍具备有效的泛能力。
图 | 几何世界模型：连续、可微的生物几何流形（来源：受访者提供）
该技术创新受到DeepMind Alpha系列启发，旨在寻找生命系统中可学习的低维流形。目前，PerturbSeek™已实现对国产GPU芯片的全栈适配，并与国内头部药企及芯片公司签署战略合作协议，推动中国原生（China-Native）信创生态落地。
理性看待干湿闭环与数据价值
DeepTech：如何看数据积累和干湿闭环？
刘琦：“实验在环”（Lab in the Loop）已成为行业标配，而非卖点。自动化实验虽能缩小差距，但无法压缩细胞生长时间，提升模型精度往往比扩建自动化实验室更具边际效益。
数据层面，应避免无目标的“散弹”模式，转向针对特定研发场景的“定向”模式。通过数据治理最大化已有数据价值，结合基础模型的迁移能力解决具体问题。AI原生的核心在于利用主动学习判断优先产生的数据和实验，从而实现资本费效比最大化。
啜国晖：扰动之心的商业逻辑围绕“立项”与“AI-Native”展开。通过PerturbSeek™平台保持高研发“算效”，跳出无目标数据产出和参数内卷的怪圈，真正实现药物研发时代的“降本增效”。
AIDD未来：从分子筛选到系统状态干预
DeepTech：如何看待AIDD的未来走向？
啜国晖：下一代AIDD将从分子层面提升至生命系统“状态”层面。通过在世界模型的状态空间中寻找有效干预手段，攻克传统靶点模式难以解决的复杂疾病、新模态药物研发等难题，回应临床未被满足的需求。
刘琦：学界与产业界需形成合力，不追求空中楼阁式的通用大模型，而是面向具体临床问题做技术突破。正如统计学家约翰·图基所言：“方向找对了，哪怕眼下的答案还模糊！”我们要先找对问题，再迭代答案。
参考资料：
https://www.biorxiv.org/content/10.64898/2026.03.02.709176
https://www.nature.com/articles/d41586-026-01731-1
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成