过去几年,AI 在蛋白质结构预测和药物分子设计方面取得了显著进展,但在预测药物进入细胞后的实际反应这一基础问题上仍显乏力。这也是当前 AI 制药面临的核心局限:模型虽能加速候选分子筛选,却难以准确模拟真实生物系统中的复杂作用。
为此,研究者开始将视角从单一分子转向完整细胞,致力于构建能预测细胞状态及其变化的“虚拟细胞”。这一前沿方向促成了两位北京大学校友——吴佳奇与董明泽的合作。近日,由他们联合创立的元示科技宣布完成近亿元人民币的天使轮及天使+轮融资,旨在打造具备强泛化能力的通用细胞模型,并建设自动化实验与数据平台。
打破传统局限:从分子到细胞的范式转移
吴佳奇拥有系统生物学博士背景,深知传统数学方程在描述复杂生物系统时的局限;董明泽则兼具生物学与应用数学背景,曾在斯坦福大学、Arc Institute 及 Anthropic 从事计算生物学研究,主导开发了 STATE 和 STACK 等细胞扰动预测模型。
两人的共同目标是让 AI 突破对已有实验数据的依赖,真正预测未经过实验的细胞在特定干预下的变化。与传统 AI 制药公司直接切入具体药物管线不同,元示科技选择先构建具有广泛适用性的通用细胞模型,再通过模型预测指导实验,形成“数据-模型-实验”闭环的研发体系。
技术突破:STACK 模型与跨细胞泛化能力
DeepTech 近日专访了元示科技 CTO 董明泽,深入探讨虚拟细胞的技术路径、数据挑战及商业化前景。
为何选择虚拟细胞?
董明泽指出,上一代 AI 制药主要聚焦于提高研发效率,如辅助药物发现(AIDD)和毒理预测,但未能解决临床转化率低(仅约 6%-7%)的核心痛点。许多药物因药效不足或不可预见的毒副作用在临床阶段失败,原因在于传统方法难以全面模拟真实生物体系。
虚拟细胞以细胞为建模对象,能够预测不同干预对细胞状态的影响,从而应用于靶点发现、药效评估等多个环节。相比解决单点问题的工具,虚拟细胞有望更直接地连接生物学过程与临床需求。
关键技术转折:从 STATE 到 STACK
推动虚拟细胞发展的两个关键转折点分别是 STATE 模型和 STACK 模型的出现:
- STATE 模型:在细胞扰动预测上超越了传统统计基线,证明了 AI 在大规模扰动数据上的潜力,但其局限在于缺乏跨细胞类型的泛化能力。
- STACK 模型:实现了跨细胞及扰动类型的泛化预测。通过新的模型架构,结合预训练和后训练阶段,STACK 将观测数据(细胞自然状态)与扰动数据(干预后变化)有效结合,实现了知识迁移。这使得模型能够在缺乏直接实验数据的细胞环境中进行预测,大幅提升了产业应用的可能性。
(来源:Arc Institute)
核心挑战:数据质量与 Scaling Law 的生物学适配
真正的虚拟细胞应具备何种能力?
董明泽认为,现有许多模型本质上仍是监督学习,仅在特定数据集上表现良好,难以泛化至未见过的细胞类型或扰动条件。真正的虚拟细胞必须具备将生物学知识迁移到新环境的能力,即预测缺乏直接实验数据的生物学反应。
这也是他全职加入元示科技的原因。相比学术界,公司能提供与其数据规模相当甚至更高的数据采集能力,以及充足的计算资源,从而实现模型研发、数据生产和工程设施的紧密协同。
数据瓶颈与多模态策略
目前制约模型发展的主要瓶颈是数据质量,特别是批次效应导致的不同来源数据难以统一。元示科技一方面深入分析现有数据差异,另一方面优化自有数据采集流程,以提升数据一致性。
在多模态数据方面,虽然蛋白质组、代谢组等数据具有重要价值,但受限于检测通量和数据质量,现阶段仍以转录组数据为核心构建基础模型。由于不同组学间存在共享信息,团队计划先利用大规模转录组数据训练通用模型,再通过配对数据微调,将能力迁移至其他组学任务。
生物学领域的 Scaling Law
董明泽强调,生物学领域的 Scaling Law 不能简单照搬大语言模型的经验。由于生物数据获取成本高、规模有限,模型性能的提升依赖于数据规模与模型规模的匹配。目前公开转录组数据可能仅足以支撑参数量在 1B 量级的模型。因此,持续扩大高质量数据供给比单纯增加参数更为关键。
应用前景:从单细胞到组织微环境
评测体系的完善
现有 Benchmark 多围绕测序数据设计,难以完全反映真实细胞状态。未来需建立能体现下游生物学表型和疾病状态变化的评测指标,确保预测结果具有真实的生物学意义。
应用路径:单细胞优先,逐步拓展
元示科技现阶段聚焦于单细胞层面的通用预测,包括不同细胞类型对药物或基因扰动的响应。虽然组织微环境中的细胞相互作用至关重要,但理解单细胞是建模组织的基础。未来可在通用细胞模型基础上,引入更多模态数据,拓展对组织微环境的建模能力。
潜在突破领域
若虚拟细胞预测能力得到实验验证,将在以下领域产生实质性突破:
- 药物研发:连接靶点发现、分子设计、临床前实验等环节,提高研发自动化程度,降低失败率。
- 衰老研究:预测细胞状态随时间的变化及干预效果,助力抗衰老研究。
- 合成生物学:优化基因调控和细胞代谢,提高目标化合物生产效率。
参考链接:
1.Dong, M., Adduri, A., Gautam, D., et al. (2026). Stack: In-context learning of single-cell biology. bioRxiv. https://doi.org/10.64898/2026.01.09.698608
2.Adduri, A. K., et al. (2026). Predicting cellular responses to perturbation across diverse contexts with State. Cell, 189(19), 5914–5931. https://doi.org/10.1016/j.cell.2026.07.052
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成

