英国剑桥——生物技术公司Shift Bioscience今日发布最新研究，提出一种改进的虚拟细胞模型评估框架，用于更准确地校准基准指标。研究发现，此前部分关于AI虚拟细胞模型表现不佳的质疑，主要源于评估指标的不准确，而非模型本身无效。在采用经过校准的指标后，虚拟细胞模型在多个数据集上均显著优于传统基线，展现出强大的生物信号识别能力，为加速靶点发现提供了有力支持。 该研究聚焦于“基因扰动响应模型”——一种基于深度学习的AI虚拟细胞技术，可预测细胞在基因上调或下调等干预下的反应。这类模型能以低成本、高效率的方式，在计算机中模拟实验，大幅缩短靶点筛选周期，减少对湿实验的依赖。然而，近期一些研究指出，这类模型在部分实验中未能超越简单基线，引发对其实际价值的质疑。 Shift Bioscience团队分析了14个perturb-seq数据集后发现，传统评估指标在处理弱扰动数据时容易失效，难以区分真实生物学信号与随机噪声。为此，团队开发了一套新的校准框架，筛选出若干基于排名和差异表达基因（DEG）感知的指标，这些指标在不同数据集中均表现出良好稳定性与区分度。 在新框架下，虚拟细胞模型在多个任务中持续优于均值、对照组和线性基线模型，证明其具备识别关键生物学机制的能力。研究团队指出，此前对模型“无效”的结论，很大程度上是由于评估方法不当所致。 Shift Bioscience机器学习负责人Henry Miller博士表示：“我们的研究明确表明，所谓AI虚拟细胞表现差，根源在于指标问题，而非模型本身。当使用经过校准的指标时，模型表现优异且稳定。这项工作为虚拟细胞技术的广泛应用扫清了障碍，也坚定了我们利用AI驱动细胞再生靶点发现的信心。” 该成果为AI在生物医学研究中的可靠性提供了重要支撑，有望推动虚拟实验在药物研发和衰老机制研究中的深度应用。