“肯定有 Scaling Law，我觉得问题在于究竟能够扩展到什么程度。”面对越来越多的研究者相信更大的模型、更多的数据能让 AI 掌握复杂的生命规律，美国 Arc Institute 实验室负责人周镜天给出了相对审慎的判断。
过去十多年，周镜天亲历了单细胞技术从分析少量细胞到绘制覆盖人体多器官大规模细胞图谱的快速发展。随着科学家逐渐看清不同细胞的分子特征，新的问题随之出现：能否预测细胞的变化，甚至主动改变其状态？
周镜天的科研路径正是沿着这一方向展开。本科毕业于清华大学药学专业，后在美国从事计算生物学与单细胞研究。2023 年，他成为 Arc Institute 首位 Science Fellow，并于次年建立独立实验室。2026 年，凭借单细胞图谱与疾病相关基因调控研究，他入选《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区名单。目前，他将精力投入 AI 生物学模型，参与开发的 Bolero 和 Devo 分别尝试预测基因调控及细胞发育过程中的状态变化。
在周镜天看来，AI 准确预测基因表达并不等同于真正理解或改变细胞功能。虚拟细胞研究最终仍需回归真实的生物学实验，证明模型能解决具体问题。
从药学到 AI：几次偶然的科研转向
DeepTech 就生命科学的变化及 AI 进入实验室后的关键要素，与周镜天展开了对话。
湿实验受挫转向计算生物学
周镜天本科就读于清华药学，源于中学对化学和信息学的兴趣。但他发现自己不擅长湿实验，如给小鼠尾静脉注射反复失败，且实验难以复现。相比之下，编程能复现相同问题，这促使他对计算生物学产生兴趣。
本科期间，他在曾坚阳老师实验室尝试将深度学习应用于生物学。大三暑假在斯坦福大学的科研实习让他明确了方向，基因组数据分析及新技术开发的研究经历，对他后续职业选择产生了深远影响。
博士阶段切入单细胞研究
为接触新技术和新数据，周镜天博士阶段选择加州大学圣迭戈分校（UCSD）。在任兵老师实验室轮转时，他接触到单细胞 Hi-C 数据，该技术用于研究 DNA 在单细胞核内的三维空间结构。针对当时缺乏有效分析方法的问题，他将此转化为算法课题，开发了一套分析算法，并由此发展出博士期间的论文。
随后，他加入 Salk Institute Joseph Ecker 教授实验室研究 DNA 甲基化。一次组会上，因项目进展不顺，他介绍了之前的单细胞 Hi-C 分析算法。一位擅长技术开发的同事提出将三维基因组结构与单细胞 DNA 甲基化测序结合。意外的是，首次实验即获高质量数据，这项新技术的开发顺利推进，并用于研究两者关系。借助实验室经费，他进一步参与了大规模单细胞大脑图谱项目。
数据规模激增带来的挑战
随着技术发展，数据规模从最初的 8 个细胞激增至数十万甚至百万级。原有算法在处理海量数据时，在计算速度、资源消耗和分析效果上均显不足。周镜天博士期间的工作重心之一，便是随着数据增长不断改进和开发计算方法，以应对更大规模、更复杂的数据分析需求。
早期独立建组的考量
2023 年，周镜天获得 Arc Institute Science Fellow 职位，得以在博士后阶段之前独立建组。他认为自己在博士期间已接受充分训练，且 Ecker 实验室模式赋予了他较高的自主权。相比继续做博士后，独立建组能让他更早锻炼招聘、管理、合作及申请经费等综合能力。尽管担心年轻 PI 可能局限于已有技术方向，但 Arc Institute 的环境改变了他的顾虑。
选择 Arc Institute 初因其在 CRISPR 和基因组工程方面的积累，可与单细胞组学结合。加入后，他发现 Arc 规模小、交流便捷，且聚集了大量具有大模型开发和计算工程背景的研究者。这种环境让他有机会深入学习大模型，从单纯的算法开发转向 DNA 序列模型和虚拟细胞研究。Arc 对研究者个人的支持而非严格限定方向，也为年轻 PI 探索新领域提供了空间。
图 | 周镜天团队研究重点（来源：Zhou Lab）
重新认识细胞：从几十种到数千种
细胞类型认知的深化
单细胞技术使科学家能从分子特征而非仅形态位置分类细胞。2015-2016 年，大脑单细胞研究仅能区分约 20 种细胞类型；2020-2021 年可达一两百种；2023 年全脑图谱项目完成时，已讨论三四千种细胞类型。
研究发现，负责高级认知功能的脑区在分子层面细胞类型相对简单，复杂性更多体现在神经连接上；而维持基本生命功能的脑干区域，细胞类型却极其丰富，且神经元基因表达特征与连接方式存在直接对应关系。这表明大脑不同区域的复杂性体现维度不同。
表观遗传与三维基因组的作用
人体不同细胞拥有相同 DNA 序列却功能各异，关键在于表观遗传状态（如 DNA 甲基化、染色质开放程度）及三维基因组结构。早期研究认为不同细胞间三维基因组结构相似且保守，但随着单细胞高分辨率技术的发展，发现不同细胞间存在显著差异。这说明早期认知受限于测量技术，单细胞技术让我们重新审视基因组结构与基因调控的关系。
DNA 在细胞核内并非随机折叠，而是存在稳定的组织模式。线性序列上相距甚远的调控区域，可通过三维折叠在空间上接近，从而参与基因调控。因此，三维基因组不仅是空间结构问题，更关乎基因如何受到调控。
图 | 人体 DNA 甲基化和 3D 基因组组织的单细胞图谱（来源：Science）
虚拟细胞的数据挑战
绘制细胞图谱需增加数据量以捕捉稀少细胞（如渐冻症相关的运动神经元）。但虚拟细胞旨在预测细胞在不同条件（药物、基因改变等）下的变化。若研究 1,000 种细胞对 1,000 种药物的反应，需 1 亿个细胞数据，且未计个体遗传背景和时间因素。每增加一个维度，数据需求呈指数级增长。
目前，转录组数据因易于测量和大规模采集，仍是主流选择。尽管细胞内部包含 DNA 甲基化、染色质开放程度等多维信息，但增加其他组学数据对模型的价值尚不明确，需视具体任务而定。
即使拥有海量转录组数据，AI 预测能力仍受限于生物学现象是否可通过转录组反映。例如，基因表达相似的神经元可能连接不同脑区，iPS 分化神经元与真实神经元在转录组上存在差异但功能可能不同。因此，转录组在多大程度上代表真实功能，仍需结合其他组学信息进一步研究。
生物学的 Scaling Law：能走多远？
AI 研发范式的转变
十年前，生物学 AI 多为针对具体任务的机器学习模型。如今，AI 智能体（Agent）已能协助编写代码和执行任务，底层模型则致力于解决过去无法解决的问题。受“苦涩的教训”影响，研究者尝试利用大规模数据和算力让模型自学规律，减少人为假设融入。
但在生物学中，通用基础模型在 DNA 功能预测等任务上表现有时不如专门设计的模型。周镜天认为，现阶段仍需将基因调控等生物学知识作为归纳偏置融入模型设计，而非完全依赖扩大规模。
Scaling Law 的边界
生物学领域存在 Scaling Law，尤其在 DNA 序列重建等明确任务上，性能随数据和参数增加而提升。但关键在于性能提升能否转化为更广泛、复杂的生物学预测能力，这仍需探索。
Devo 模型与跨尺度预测
周镜天团队开发的 Devo 模型旨在根据细胞当前状态预测下一步变化，近期将发布预印本。目前利用胚胎发育和类器官数据训练，对下一时间点状态预测效果良好，但在预测成熟阶段发育变化及设计干预方案方面仍有挑战。
未来有望出现跨尺度（multi-scale）通用生物学模型，整合遗传变异、基因、细胞、器官至人体层面的信息。难点在于不同尺度数据缺乏直接对应关系，且存在噪声和偏差。构建此类模型需系统的数据采集和对生物学问题的深刻理解，以及将不同层次模型通过配对数据连接起来。
图 | Bolero 是一种以细胞状态为条件的序列到功能模型（来源：bioRxiv）
AI 走进实验室：最终要解决什么问题？
产业界参与的必然性
大型 AI 公司建设生物实验室是大势所趋。它们拥有资金和算力优势，能承担传统小型实验室难以独立完成的大规模数据采集、公共资源建设和大型模型训练。尽管外界质疑其科学问题导向性，但这些机构集中资源开展探索性研究的能力不可或缺。
产学研合作模式
对于独立科研团队，计算资源是关键瓶颈。周镜天团队曾借助 NVIDIA 支持，使用 2,048 块 GPU 运行两个月进行 Evo 2 模型训练。未来，科研机构与产业界在计算资源等方面的合作将愈发重要。
虚拟细胞的终极价值
虚拟细胞的价值不在于预测基因表达的准确度，而在于能否解决真实生物学问题。只有当模型能指导设计出具有预期功能的细胞，或实现原本难以实现的状态转换，并经实验验证，才能真正推动领域发展。
参考链接：
1.https://arcinstitute.org/news/jingtian-zhou-3d-genome
2.Zhou et al. (2026). Human body single-cell atlas of three-dimensional genome organization and DNA methylation. Science. https://doi.org/10.1126/science.adx0673
3.Guo et al. (2026). Integrative spatial profiling of 3D genome organization and gene expression in tissue. Cell. https://doi.org/10.1016/j.cell.2026.07.039
4.Yang et al. (2026). Macrophage-mediated brain-bone marrow crosstalk promotes chronic stress-induced glioma growth. Cancer Cell. https://doi.org/10.1016/j.ccell.2026.05.018
5.Liu et al. (2026). Predicting cell-state-specific gene regulation from DNA across species. bioRxiv. https://doi.org/10.64898/2026.10.19.760026
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成