The University of Hong Kong

近日，首届AI虚拟细胞大赛圆满结束。本次大赛旨在汇聚全球人工智能与计算生物学领域的智慧，探索利用先进AI技术构建能够模拟真实细胞行为的虚拟模型，以加速生命科学发现，为新药研发、疾病机理研究提供创新的计算工具。 比赛目标 构建高度精准的虚拟细胞模型，旨在革新药物发现流程。通过在计算机中模拟药物对细胞的扰动效应 ，该模型能帮助科研人员以更低的成本、更高的效率，从海量候选分子中筛选出最具潜力的新药，并提前预测其疗效与副作用，从而显著提升临床试验的成功率。 具体问题：计算模型能否取代真实的Perturb-seq（扰动测序）实验？如果给模型一个起始细胞状态和基因扰动指令，它能否足够准确地预测由此产生的基因表达变化，从而真正指导生物学发现？ 目标：评判标准不在于模型是否在抽象指标上获得高分，而在于它们是否足够精确地捕捉生物学本质，从而具备实用价值。引发蛋白质结构预测领域“AlphaFold时刻”的关键，并非仅仅是超越特定基准测试，而更在于跨越了生物学家实际应用的门槛。 扫码联系我，加入虚拟细胞交流群！ 数据集和规则 比赛 构建了一个专用的基准数据集，其中包含约30万个来自H1人类胚胎干细胞、经300种CRISPRi技术扰动的单细胞RNA测序图谱。 本次数据设计的关键考量： H1胚胎干细胞代表分布变化：相较于常用训练数据集（如K562、A375及其他大规模数据集如Tahoe-100M所采用的细胞系），H1细胞迫使模型必须实现泛化学习，而非简单记忆现有数据模式。 CRISPRi扰动提供清晰信号：该技术可实现干净的转录抑制效应，其基因敲低效率可直接观测，为模型提供了明确的学习目标。 高质量数据标准：采用10x Genomics Flex化学建库方案；单细胞UMI数超过50,000；每种扰动平均覆盖约1,000个细胞。 靶基因的精心筛选：300个目标基因经过审慎选择，其扰动效应覆盖从剧烈到细微的完整转录影响谱系，确保对模型能力进行全面评估。三大指标 比赛设计了三个评估指标，以捕捉扰动预测的不同维度： PDS（扰动区分度评分）： 衡量模型预测的不同扰动效应之间是否仍能彼此区分； DES（差异表达评分）： 评估模型是否能正确识别上调与下调的基因集合； MAE（平均绝对误差）： 量化模型在整个转录组层面上的基因级预测精度。比赛结果 排名团队模型Overall scoreDESPDSMAE1BM_xTVCxTVCM_v0134.00.3490.8721.0262XLearning LabX32.80.3560.8501.0693OutlierTransPert32.60.3610.8444.219 4 CaiLab TransPert 31.1 0.267 0.874 1.114 5 V VCC 30.5 0.258 0.870 6.999 6 SIMON Naive 30.5 0.355 0.818 1.111 7 BioCai InferPerts 29.7 0.366 0.799 1.448 8 vcdd ensemble_2000_v4 29.5 0.285 0.840 2.566 9 Cellamander Axolotl 29.5 0.270 0.848 5.391 10 rooooy 5f 29.4 0.290 0.836 3.054冠军团队-Team BM_xTVC 团队成员：  Yucheng Guo, Qirong Yang所属机构：  百图生科研究院模型名称：  xTrimoSCPerturb 该团队创新性地融合了深度学习与经典统计，构建了混合模型以突破基础架构的局限。基于“纯AI方法未必优于统计基线”的洞见，他们创新地将差异表达基因（DEG）频率等统计特征显式嵌入模型，并通过融合损失函数与重复输出策略，在伪批量数据上实现了高保真的基因调控预测。 值得注意的是， BM_xTVC团队计划在即将发表的学术论文中分享完整的理论细节与方法创新。亚军团队-Team XLearning Lab 团队成员：  Xi Peng所属机构： 四川大学计算机学院天府锦城实验室模型名称：  X 该团队采用指标驱动策略，针对PDS权重更高的评分规则，将问题重构为条件生成任务并使用伪批量数据优化训练。其精简的全连接网络融合了多源生物特征，通过残差学习直接预测扰动差异，并仅基于公开数据集完成了高效建模。季军团队-Team Outlier 团队成员： Qiyuan Liu, Qirui Zhang, Jin-Hong Du, Siming Zhao, Jingshu Wang所属机构：  芝加哥大学、达特茅斯学院、香港大学模型名称： TransPert TransPert 是一个仅使用汇总级数据——即伪批量扰动谱与Wilcoxon检验的差异分析结果——进行跨细胞系扰动预测的统计框架。该框架首先通过相似性感知聚合整合来自多个参考细胞系的基因级扰动摘要，随后通过预测目标细胞系中可能显著受影响的基因来精调这些估计值。最后，利用全局线性缩放优化预测以提升PDS指标表现，缩放因子通过挑战赛训练数据的交叉验证选定。全能奖-Team Altos Labs 团队成员： Chaitra Agrahar, Ridvan Eksi, Marcel Nassar, Mehrshad Sadria, Vladimir Trifonov, Esther Wershof, Yan Wu, Zichao Yan所属机构： Altos Labs模型名称： go-with-the-flow 该团队开发了一种流匹配生成模型，用于推断细胞对扰动的异质性响应。该模型直接在基因表达空间中运行，通过学习随时间变化的动态（通过定制的U-Net架构参数化）来更新基因表达向量。该方法使模型能够捕捉包括复杂基因互作在内的精细基因表达细节。总结与展望 优胜方案中的关键模式：融合深度学习与统计特征的混合模型表现优于纯神经网络，而策略性的损失函数设计与模型架构同等重要。多模态特征（尤其是蛋白质嵌入）为各顶尖团队带来了显著增益。 评估指标：评估指标的设计引发了宝贵讨论——单一指标无法全面衡量“模型质量”，我们在不同指标间观察到了明确的权衡关系，优化某一指标有时会以牺牲其他指标为代价。 两大群体：机器学习专家擅长系统性优化模型以提升指标表现；计算生物学家则带来对功能基因组学与扰动生物学的深刻洞见。我们希望未来优化设计的挑战赛能让这两种视角变得不可或缺且相辅相成。 本次挑战赛汇集的开创性工作，为构建真正可靠、可用的“虚拟细胞”奠定了坚实基础。

首届 虚拟细胞挑战赛的反响远超预期：来自114个国家的5000多人注册参赛，1200多支队伍提交了比赛结果，300多支队伍完成了最终稿。参赛队伍的构成也十分多元化，既有正在学习该领域的学生，也有经验丰富的科研机构。 🥇第一名：来自 BioMap Research 的 BM_xTVC 团队构建了 xTrimoSCPerturb，在 scFoundation 架构的基础上进行了改进，能够更好地捕捉基因关系并从技术噪声中提取生物信号。他们的关键发现是什么？纯粹的 AI方法无法超越统计基准，因此他们将两者结合起来。 🥈第二名：四川大学 XLearning 实验室团队采用了一种简化的方法：从嘈杂的单细胞数据转向伪批量数据，使用残差学习来预测扰动变化，并有策略地优化权重最高的指标。 🥉第三名：来自芝加哥大学、达特茅斯学院和香港大学的跨机构合作团队Outlier构建了TransPert——一个仅使用汇总级数据预测细胞系扰动的统计框架。 🏆综合奖：团队 @altos_labs 在7项指标中均名列前茅。它们展现出最可靠的泛化能力——在各种标准下均表现稳健，而非仅仅针对单一分数进行优化。数据集设计：构建真正的基准 构建了一个专门的基准数据集，其中包含来自H1人类胚胎干细胞的约30万个单细胞RNA-seq谱，并进行了300次CRISPRi扰动 H1 hESCs代表了与典型训练数据（K562、A375 以及其他大规模数据集如Tahoe-100M中的细胞系）不同的分布，迫使模型进行泛化而不是记忆。 CRISPRi扰动可实现清晰的转录抑制，且敲低效果可直接观察。 高质量数据：10倍Genomics Flex化学方法，每个细胞>50,000个UMI，每次扰动约1,000个细胞 精心挑选了300个目标基因，涵盖了从显著到细微的转录效应，从而确保对模型能力进行全面评估三个指标、一个意想不到的挑战和一个扩大的奖项 PDS（扰动区分度评分） ：衡量预测的扰动效应是否仍然彼此可区分。使用L1范数对每个预测与其真实对应值之间的接近程度进行排序。 差异表达评分 (DES) ：评估模型是否正确识别出上调和下调基因集。它介于机器学习优化和真实实验测量之间。在实践中，生物学家通常将差异表达基因集视为扰动测序实验中最相关的输出结果。 平均绝对误差 (MAE) ：量化整个转录组中基因水平的预测准确性。它要求对所有基因的实验测量值进行准确预测。虽然前两个指标的提出是基于生物学考量，但它们并不能全面反映细胞状态，因此MAE的设计旨在最大程度地表达细胞状态，并捕捉其他指标可能遗漏的方面。然而，这也带来了一些权衡：原始计数中的许多信号会受到技术噪声、随机缺失和生物异质性的影响。因此，尽管MAE的绝对值很难降低到仅预测平均细胞状态的程度，但它在相对意义上仍然有用，可用于检测预测结果何时与实验中通常观察到的值存在显著偏差。 几乎所有模型在平均绝对误差（MAE）方面的表现都比基线差。虽然这并非完全出乎意料，但这实际上排除了MAE作为竞争性优化的因素，这意味着表现最佳的模型将策略性地集中精力于概率密度函数（PDS）和离散事件仿真（DES）上。 通才奖：扩展评估观察到平均绝对误差（MAE）不再影响排行榜，因为提交的作品即使得分低于平均分也不会受到惩罚。我们认为在比赛进行中大幅改变评分框架对参赛者不公平，因此我们引入了一个基于更广泛评估的新奖项类别。“综合奖”共使用了七项指标： 三个挑战指标： DES、PDS、MAE 我们还使用了四个额外的指标来衡量S状态模型的有效性 ： Pearson相关系数、对数倍数变化的Spearman相关系数、精确率-召回率曲线下面积（AUPRC）以及效应量的Spearman相关系数。这些指标以及挑战赛的三个指标都包含在我们的Cell-Eval模型评估指标套件中。5.获奖者 🥇 第一名 - 奖金10万美元：BM_xTVC团队 成员：郭宇成、杨启荣 机构： BioMap Research 模型： xTrimoSCPerturb BM_xTVC团队构建了一种复杂的混合方法，将深度学习与经典统计学相结合。他们使用改进的scFoundation 架构开发了一种新的单细胞预训练模型，然后将其与蛋白质模型嵌入和精心整理的公共扰动数据集相结合。 他们的方法解决了架构上的根本性局限——特别是基因序列关系捕获不佳以及易受技术性丢失影响的生物表达基因表示不足的问题。通过优化编码器以从技术性零值中恢复生物活性信号，并采用解耦交叉注意力解码器架构，他们实现了高保真度的细胞嵌入和精确的基因调控预测。对于扰动训练，该团队选择了挑战赛网站上列出的公开扰动数据集的一个子集。 他们工作的一个关键发现是：“纯粹基于人工智能的方法在DES和MAE上的表现始终优于统计基线”。他们没有试图解决这个问题，而是将训练集中的差异表达基因频率和平均表达水平作为显式特征。 他们的最终模型使用融合损失函数（PDS+DES+小权重MAE），并在伪批量RNA-seq数据上进行训练，多次重复输出以满足DES评估要求。 BM_xTVC 团队所在的BioMap Research计划在即将发表的学术论文中分享完整的理论细节和方法创新。 🥈 第二名-奖金50,000美元：XLearning Lab团队 成员：彭曦 单位：四川大学计算机学院天府金城实验室 型号：X 该条目采用了一种明确的指标驱动方法，指出在最终评分中，PDS的权重大约是DES的两倍。他们将问题定义为条件生成，并从噪声单细胞数据表示转向伪批量数据表示。 该架构经过精简：采用全连接网络，使用聚合的对照表达数据、ESM-2蛋白嵌入表示扰动基因，并使用UMI计数指标。残差学习预测扰动增量而非绝对值，并使用均方误差 (MSE) 损失函数和辅助目标函数进行优化。训练过程中，他们完全使用了公开的Perturb-seq数据集，其中包括PerturbAtlas中提供的小型 H1 数据集。 团队成员彭曦的研究小组，包括虚拟细胞挑战赛的参赛选手李云帆和卢一鼎，专注于机器学习及其在生命科学领域的跨学科应用。 🥉 第三名 -奖金25,000美元：Outlier团队 成员：刘启元、张启瑞、 杜金宏、 赵思明、 王静树 组织：芝加哥大学、达特茅斯学院、香港大学 模型：TransPert Team Outlier 的模型TransPert是一个统计框架，它仅使用汇总级别的数据（即伪整体扰动曲线和Wilcoxon 检验的差异测试结果）来预测跨细胞系扰动。 该框架利用相似性感知聚合方法，整合了来自多个参考细胞系的基因水平扰动汇总信息，然后通过预测目标细胞系中哪些基因可能受到显著影响来优化这些估计值。 最后，全局线性缩放优化了PDS指标性能的预测结果，缩放因子通过对挑战赛训练数据的交叉验证进行选择。在训练过程中，Outlier团队仅使用了公开可用的细胞系Perturb-seq数据集。 正如他们在近期发表于arXiv的评论文章“距离度量和尺度变换对扰动判别得分的影响”中所讨论的，这种尺度变换使得预测结果更类似于基于加权符号余弦相似度的得分，从而提高了判别能力。 TransPert的完整方法论描述也将在即将发表的论文中提供。 Outlier 团队汇集了来自三个机构的研究人员，他们的专业知识涵盖统计学、机器学习和基因组学。 🏆 全能奖 -100,000美元：Altos Labs团队 成员：Chaitra Agrahar、Ridvan Eksi、Marcel Nassar、Mehrshad Sadria、Vladimir Trifonov、Esther Wershof、Yan Wu、Zichao Yan 组织： Altos Labs 模型：go-with-the-flow Altos Labs 团队在七项指标（三项挑战赛指标加上来自 州论文的四项指标 ）中取得了最高的平均排名，在挑战赛指标得分最高的50个最终参赛作品中脱颖而出，展现了稳健的性能，而非针对任何单一目标的优化。 他们在各种评估标准下都表现出了最可靠的泛化能力，因此我们授予他们“通才奖”以表彰这一成果。 该团队开发了一种流匹配生成模型，用于推断细胞对扰动的异质性反应。该模型直接在基因表达空间中运行，通过定制的U-Net架构参数化学习随时间变化的动态特性，从而更新基因表达向量。 这种方法使团队能够捕捉到精细的基因表达细节，包括复杂的基因间相互作用。 他们使用来自各种公共数据源（包括挑战赛训练数据和 Altos Labs的内部扰动筛选数据，但不包括 H1 细胞）的约700万个高质量单细胞数据预训练了他们的流式细胞匹配模型。 然后，他们使用专门针对h1ESC细胞系和挑战赛测试集中扰动的较小数据集对模型进行了微调。 该团队成员来自 Altos Labs计算研究所，该研究所的使命是引领计算和机器学习领域的进步，以解决生物学研究和医学领域一些最根本的挑战。Altos致力于衰老和再生生物学方面的基础研究。6.我们学到了什么，以及我们将要去哪里 本次挑战赛揭示了获胜方案的重要模式：结合深度学习和统计特征的混合模型优于纯神经网络，而策略性的损失函数设计与模型架构同等重要。 多模态特征，尤其是蛋白质嵌入，为顶尖团队带来了显著价值。 评估引发了关于指标设计的宝贵讨论。没有单一指标能够全面衡量“模型质量”，我们观察到明显的权衡取舍，优化某个指标有时会以牺牲其他指标为代价。 我们正在研究今年的参赛作品，以指导未来指标的改进，可能包括引入范数匹配的PDS变体和新的生物学相关性标准。 这项挑战赛吸引了两个略有不同的群体，我们希望将他们聚集在一起，以增进对生物学和疾病的理解。 机器学习专家擅长系统地优化模型以提升指标性能。而计算生物学家则带来了对功能基因组学和扰动生物学的更深入理解。 我们希望未来几年精心设计的挑战赛能够使这两种视角都至关重要且相互依存。展望未来 首届虚拟细胞挑战赛圆满落幕，但这仅仅是个开始。 我们期待将此挑战赛发展成为年度赛事，与此同时，我们自身也正处于构建能够真正加速生物学发现（从假设到实验再到治疗）的模型的早期阶段。 入群AI虚拟细胞讨论群

AI 虚拟细胞大赛结果出炉 华人科学家横扫全场！ BioTender | AIVC 2025 年，被许多人称为 “虚拟细胞元年”。就在本月，全球第一届 Virtual Cell Challenge（AI 虚拟细胞挑战赛） 正式公布最终成绩。这场规模远超预期的竞赛，吸引了 来自 114 个国家的 5,000 多名参赛者、1,200 支队伍提交模型，堪称生命科学与人工智能领域的年度盛事。 最令人振奋的是冠军、亚军、季军全部由华人科学家团队夺得。这不仅是一场胜利，更是华人在“虚拟细胞”这一未来十年最关键技术赛道上的集体突破。首届大赛结果，正在重新定义生物学的未来路径。 什么是虚拟细胞？ 为什么全球科学家都在关注？ 药物研发的本质，是对细胞一次次施加“扰动”——敲低一个基因、抑制一个通路、加入一个小分子，然后观察细胞如何改变命运。但过程极其昂贵、缓慢，且失败率惊人90% 的候选药物最终在临床中失败。 如果 AI 能准确预测一个基因被抑制后细胞会怎样？一个药物加入后哪些通路会上调或下调？哪种扰动最接近“把病态细胞拉回健康状态”？那么科学家将能够在实验之前，在虚拟细胞模型中完成万级perturbation筛选，让药物研发效率产生数量级跃升。这就是为什么Virtual Cell Challenge被视为继AlphaFold之后生命科学最值得期待的 AI 方向。 这次比赛 为什么被称为“世界级大考”？ 主办方构建了一个史无前例的严苛测试集：30万个高深度单细胞（H1 hESC），300个CRISPRi扰动，效果干净、可量化，每个细胞>50,000个UMI，从最强表型到极弱扰动均覆盖，这是目前全球质量最高、专门为AI构建的perturbation benchmark。目标只有一个逼迫模型真正“理解”细胞，而不是背训练数据。 三大指标与意外收获： MAE 全面失效，模型 难以预测绝对表达量 比赛使用三项指标：PDS（是否能区分不同扰动），DES（是否能找到正确的 DEGs），MAE（是否能数值级精确预测表达变化）。 三大指标👆 结果引发震动几乎所有模型的 MAE 都不如 naive baseline。这说明单细胞噪声大，按基因逐个精确预测表达量几乎不可能，虚拟细胞短期不应被期待做“绝对表达预测”，与此同时，PDS 与 DES 出现了显著提升，使模型已经具备 “区分扰动”“识别关键基因” 的能力，为真实科研提供了价值。 所有MAE都不如Baseline👆 虚拟细胞短期不能期待做绝对表达预测👆 由于 MAE 失效，主办方追加推出 Generalist Prize（全能奖），综合 7 个指标选出最稳健的模型。 推出全能奖👆 State model详解 华人团队 横扫全部核心奖项： 四种路线、四种极致能力 🥇 冠军：BioMap（BM_xTVC）: 深度模型 + 统计特征的混合架构，重建生物信号。 BioMap 团队提出了本次比赛最“懂生物学”的策略，强化模型纠正技术性 dropout，融合 DEG 频率、基因平均表达等统计特征，使用解耦 cross-attention 表征基因调控关系，在 pseudo-bulk 层面优化扰动效果。BioMap 的策略被官方评价为超越纯深度模型的架构性突破。（Their approach addressed fundamental architectural limitations） BioMap团队策略核心👆 团队模型xTrimoSCPerturb👆 线上平台👇 https://xtrimo.biomap.com/models 🥈 亚军：四川大学 XLearning Lab：极致指标工程，PDS 优化做到极限。 这支团队洞穿规则，PDS 权重 ≈ DES 的两倍。于是直接重构任务，不预测 noisy 的单细胞，用全连接网络预测 pseudo-bulk 的扰动 delta，融合 ESM-2 蛋白 embedding，简单但有效，是典型的 ML 工程师打法。 洞察规则重构任务👆 团队主页👇 https://pengxi.me/ 🥉 季军：Team Outlier（芝大/达特茅斯/HKU）：纯统计模型反向碾压大量深度神经网络。 他们的模型不需要神经网络。流程非常“统计主义”，总结公开 perturbation 数据为 pseudo-bulk profile，用相似度进行跨细胞系加权融合，最后用线性缩放适配 PDS。 统计模型碾压深度神经网络👆 他们的一篇 arXiv 评论👇甚至揭示了PDS 本质上鼓励预测幅度放大，使其与符号级相似度趋同。纯数学方法击败许多深度模型——这非常罕见。 🏆 全能奖：Altos Labs：最接近未来虚拟细胞基础模型的 generative 动态框架。 Altos 团队采用了最具前瞻性的路线flow matching（连续扩散模型思想），在 gene expression space 中建模“细胞状态演化”，可捕捉复杂 gene–gene interaction，预训练 700 万个单细胞，微调在 H1 + Challenge 设置，他们不是某个指标最强，但综合 7 项指标平均排名第一。这是一个“基础模型雏形”的强烈信号。（该公司的该款基础模型信息未公开） flow matching👆 首届大赛揭示三大趋势： 未来虚拟细胞模型的方向已非常清晰 趋势 1：混合式 AI 将主导未来，而不是纯神经网络。统计特征、显式生物 priors、结构归纳将长期有效。 趋势 2：指标设计决定模型行为。未来必须引入更符合生物机制的新指标，而不是数学最优解。 趋势 3：虚拟细胞正在走向“大模型时代”。Altos 的 700 万细胞预训练只是开始，未来可能出现“CellGPT”，“虚拟细胞基础模型”，“全流程 perturbation 模拟器”，实验可能不再先做湿实验，而是先问虚拟细胞：“如果敲掉这个基因，会发生什么？” 华人力量 站在了虚拟细胞革命的最前沿 全球首届 AI 虚拟细胞大赛的结果，远不止是一份“排行榜”。它代表着华人科学家在这一关键前沿方向取得压倒性优势，虚拟细胞模型的时代正式拉开序幕，AI 与细胞生物学的深度融合正在加速，下一次生命科学革命可能以华人团队为核心力量之一，未来十年，药物研发、生物学研究、精准医疗，都将被“虚拟细胞”重塑。而这一次全球挑战赛，只是序章。 虚拟细胞往期推荐👇 虚拟细胞×AI科学家！交大郑双佳团队VCWorld来了！打破AI黑箱预测！！ Science深度报道｜虚拟细胞：AI生物学的终极考题 TAHOE重磅发布！30亿参数虚拟细胞大模型正式登场！ 大语言模型遇上“虚拟细胞”：AI 真的能在电脑里重建一个生命体吗？ 虚拟细胞青年领袖，从Mila学生到AI药物之王：Daniel Cohen的逆袭人生 AI虚拟细胞模型的“登月时刻”：Tahoe Therapeutics融资3000万美元 虚拟细胞挑战赛：AI 能否真正“理解”细胞 如果你想跟进这类“AI × 生物资讯”的最新进展，欢迎关注 加入 BioTender交流群，与科研工作者、AI生物学专家共同探讨模型创新、实验验证与产业落地，实时获取AI × 生命科学的前沿动态。