因果模型需要因果数据：Xaira 用 25M 细胞造出会「反事实」的虚拟细胞

核心要点

• 因果数据是核心论点：观测/描述性数据（如 Cell×Gene 的 3300 万细胞）只能学相关，同一组「A、B、C 一起涨落」的数据能拟合出无数种因果网络，所以描述性模型在扰动/反事实任务上不超过线性基线。
• Perturb-seq 造 2D 因果数据集：用 CRISPR-Cas9 混池扰动（一细胞敲一基因、barcode 由 guide RNA 读出）配单细胞 RNA-seq 读出，在一次混池实验里扫遍全基因组 2 万基因，且天然无批次效应。
• 数据规模惊人：25M 细胞是最严格质控后的产量，实际处理数亿细胞；最新 Pisces 数据集含 16 种细胞类型、全基因组扰动，是一个巨型张量（扰动×转录组×细胞×条件）。
• X-Cell 用扩散语言模型：放弃 scGPT 的自回归（假设基因有顺序，但表达量本质是矩阵、无内在顺序），改用双向扩散——像「编辑」而非「打字」，从粗糙表征迭代精修，更契合稀疏的单细胞数据。
• 模型规格：X-Cell 是 49 亿参数（约 5B）、decoder-only 生成式模型，输入是基因表达+扰动，输出整条转录组，以建模高维基因调控网络。
• 五类生物学先验：首次融合文献（GenePT，让 ChatGPT 描述基因再嵌入）、PPI 蛋白互作网络、DepMap 必需基因、形态学信息、scGPT 细胞类型嵌入，且先验权重可解释哪类知识对某细胞类型更重要。
• 贡献度排序：消融实验结论是数据质量与规模贡献最大，其次是架构（自回归→扩散在难任务上显著提升），先验知识排最后且高度依赖细胞类型。
• 泛化验证：仅在静息 T 细胞训练即准确预测激活 T 细胞的扰动效应；留一细胞类型仍能预测；仅在 T 细胞系训练即泛化到 Alex Marson 实验室的原代 T 细胞（多供体）。
• 终极愿景：90% 疾病无药可治，三期临床成功率仅 5~10%，虚拟细胞的长期目标是把因果预测从细胞系逐步迁移到类器官、动物、乃至患者，为特定药物选对患者。
• 坚定开源：模型与数据全部在 Bo 的 lab GitHub 开源，理由是虚拟细胞太早期、藏着数据无益，学 AlphaFold/蛋白质领域靠 PDB 开源实现繁荣的路径。

章节时间轴

• 0:00 开场与 wow 时刻 — Bo 描述看到 X-Cell 预测的热图比线性基线更贴合真值的震撼；主持人介绍嘉宾与「AI for Science」主题。
• 3:06 Xaira 的三大 AI 平台 — 蛋白设计（David Baker 团队）、虚拟细胞/生物学基础模型、患者表征模型，目标端到端加速药物发现。
• 8:32 瓶颈在数据 — 蛋白设计因 70 年 PDB 高质量数据而突飞猛进，虚拟细胞与临床预测则严重缺高质量因果数据。
• 10:50 什么是扰动（perturbation） — 用 CRISPR 在细胞内「拧小」某个基因表达，观察对其余基因与细胞功能的影响，与药物抑制剂机理一致。
• 13:06 虚拟细胞 1.0 到 2.0 — 从 20 年前的微分方程尝试（失败于生物太复杂），到 scGPT 开启数据驱动的基础模型时代，再到 Cell 论文命名「虚拟细胞」。
• 20:05 高通量实验与 Perturb-seq — CRISPR 混池扰动+单细胞 RNA-seq 造 2D 数据集，化学固定锁定细胞状态以规避批次效应。
• 30:12 细胞类型的选择 — 从癌细胞系起步，扩展到 iPSC 诱导多能干细胞，做「10 种细胞类型×全基因组扰动」的分化大筛。
• 33:17 空间组学的未来 — 从 RNA-seq「打成奶昔」到单细胞再到空间转录/蛋白组学，X-Cell 下一版将支持空间感知表征。
• 40:11 架构：自回归 vs 扩散 — 为何放弃基因顺序假设、改用扩散语言模型；输入输出定义；扩散步数越多损失越低。
• 46:24 先验知识与预条件 — 融合五类生物学先验，权重可解释；训练后无需再提供，但推理时提供可获额外增益。
• 50:18 消融与贡献度排序 — 数据>架构>先验；线性基线在未见细胞类型上完全失败。
• 53:25 算力投入与泛化验证 — 49 亿参数模型，展示静息→激活 T 细胞、留一细胞类型、细胞系→原代细胞三类泛化。
• 59:33 从细胞到患者的愿景 — 三期临床成功率 5~10%，虚拟细胞要把因果性迁移到更接近人体的复杂系统。
• 61:50 线性基线与基准之争 — Replogle 等小数据集用 MAE 指标不可靠，X-Cell 用 Pearson delta 等更难作弊的指标胜出。
• 67:14 单基因 vs 组合扰动 — 生物冗余（如 X 染色体剂量补偿）使单基因敲除常无表型，平台正沿多模态/通路/复杂系统三轴扩展。
• 70:17 AI 时代科学家的角色 — Bo 谈学术界焦虑、GPU 资源劣势、学术自由的价值与产学协作。
• 78:52 开源与学术界的下一步 — 呼吁把数据放到一起、用统一协议造高质量数据；agentic AI 时代更要有「品味」。
• 84:13 魔法棒问题 — Chu 想要高通量单细胞蛋白测序，Bo 想要能对同一批细胞在不同时间点测序（不杀死细胞）以捕捉时间动态。

详细内容

一、Xaira 是谁：端到端 AI 药物发现的三大平台

Xaira Therapeutics 是一家 AI 原生的药物发现公司，以约 10 亿美元级别的融资、从隐身状态「凭空」冒出的大体量组织著称（主持人调侃它处于「令人困惑的名字和巨额融资的前沿」）。Bo Wang 自称八个月前加入，此前是多伦多大学副教授；Ci Chu 两年多前在隐身期加入，负责高通量生物学，此前在 Insitro 领导体外发现平台、更早在 Google X 孵化的 Verily。

Xaira 的使命是用 AI 生成更好的疗法。Chu 梳理了三大 AI 平台：其一是蛋白设计，脱胎于联合创始人 David Baker（华盛顿大学）团队，用先进 AI 攻击此前「不可成药」的靶点；其二是本期重点的虚拟细胞（biology 基础模型），预测基因和药物分子如何影响细胞生物学；其三是刚起步的患者表征模型，理解哪些患者会对哪些疗法响应。

Bo 强调 Xaira 的差异化不只在「10 亿融资」，而在于它是极少数从靶点识别、蛋白设计、小分子，一直到一到三期临床全链条端到端的 AI 原生药企；更让他兴奋的是三个模型不是各自为战，而是刻意打通——设计虚拟细胞时就找可迁移到蛋白工程的靶点，也找能连到患者表征的信号，目标是把过去「手工作坊式的试错」变成工程学科。

二、核心论点：因果模型需要因果数据

这是全期的思想主轴。Chu 接过 Bo 的话指出，从「表征模型/生物学基础模型」走向「虚拟细胞」，关键差别是扰动预测、是生物学中的动态过程——这是一个因果概念，需要因果数据。

他以 Cell×Gene 数据集为例：它在起步时已策展 3300 万细胞（现在远不止），但那主要是观测性、描述性的图谱数据，profiling 健康人类供体，是描述性而非因果性的。在这数据上训练的模型（如出自 Bo 多伦多实验室的 scGPT）擅长描述性任务——跨批次协调、去除不同实验室/技术的批次效应，但在因果/扰动/反事实任务（「如果我对细胞做了这个，会发生什么」）上并不能超过线性模型。

为什么？Bo 和 Chu 给出直觉解释：相关性数据能被无数种因果结构拟合。假设你在描述性数据里观察到基因 A、B、C 一起涨落，你可以推断 A 调控 B 和 C；也可以说 B 调控 A 和 C；还可以说 A 调控 B、而 C 由完全不同的东西调控——都同样合理。把因果调控网络拟合进这组数据有 n 种方式。因此他们相信观测数据在学习真正的因果性上「功率不足」，必须自己造因果数据来训因果模型。

三、如何造因果数据：Perturb-seq 与工业化的湿实验室

造因果数据的技术是 Perturb-seq，属于「高通量生物学」的一类。它把高通量混池 CRISPR 扰动与单细胞 RNA-seq 结合，构成一个 2D 数据集：一个轴是扰动（对约 2 万个基因的敲低），另一个轴是读出的基因表达特征。

扰动端靠 CRISPR-Cas9：Cas9 是细菌来源的酶，可在人类细胞中破坏基因表达。逐个敲除 2 万基因需要巨型工厂和大量机器人，不可行；混池实验则「超可扩展」——一个细胞敲一个基因，但在一次混池实验里让海量细胞覆盖全部 2 万基因，且「完美打乱」，因此没有批次效应、没有孔板间差异。关键的 barcode 技术是直接读出每个细胞里存在哪条 CRISPR guide RNA：Cas9 需要被递送两样东西——蛋白本身，以及一段编码「地址」的短 RNA（guide RNA）。guide RNA 靠 ATCG 碱基配对把 Cas9 引到目标基因的启动子区（基因转录起点前的一段），带上沉默子关闭该启动子，使基因不再被转录，从而调低其表达。因此只要知道哪条 guide 在哪个细胞里，就能反推哪个基因被沉默。

读出端靠单细胞 RNA-seq，能同时读出每个细胞全部 2 万基因的表达量。两者结合，就能系统性地敲除人类基因组每个基因、读出对同一细胞内其余每个基因的影响，生成富含信息的 2D 数据集——Chu 类比这和训练 AlphaFold 的 PDB 数据在规模和类型上并无本质不同（PDB 是数十万蛋白条目、每个氨基酸的 XYZ 坐标，也是 2D 数据集）。

Chu 特别强调这既是科学挑战也是工程挑战。学术界发表的技术在小规模下运作良好，但扩展到全基因组、要处理数亿细胞时就崩了。学术方法多针对「新鲜活细胞」，实验一两小时还行，但要在 14 小时工作日里处理数亿细胞，Bo 打趣说「一天下来你能从细胞里、也能从实验室的科学家身上检测到应激信号」。他们因此引入化学固定，在实验开始时锁定细胞状态，同时不破坏后续分子生物学步骤、不影响数据质量，实现「时间错位」的操作方式来规避批次效应——因为机器学习高度依赖数据质量。

四、细胞类型的扩展：从癌细胞系到 iPSC 多细胞分化大筛

Xaira 并非一开始就用干细胞。去年六月的预印本发布了当时世界最大的 Perturb-seq 数据（X-Cell Orion），来自两个细胞系（一个结直肠癌细胞系、一个造血相关细胞系）——都是永生化细胞，易培养、易扩增，而「能培养出数百万细胞」的能力对大实验至关重要。

最新预印本扩展到更多细胞类型：T 细胞仍用细胞系，但也进入了原代细胞。他们做了一个 iPSC（诱导多能干细胞）实验，以及被称为「迄今最雄心、最酷」的筛选——泛分化多细胞类型干细胞项目：在一次实验里把 iPSC 无限制地分化成 10 种细胞类型，再做全基因组扰动，相当于「10000 个生物实验 × 10 种细胞类型」的「库对库」实验。

为什么这么做？因为在数据收集早期，「上下文、多样性、丰富度」比细胞或测序读数的总量更重要——关键是「每美元的比特数」和信息含量。他们不仅要在基因扰动维度扩展，也要跨生物学上下文扩展，给 AI 团队最丰富的数据以训出可泛化的模型。

五、架构创新：扩散语言模型 + 多元生物学先验

Bo 从虚拟细胞建模史讲起。scGPT 为大多数单细胞基础模型奠基，采用与 ChatGPT 极为相似的自回归/下一 token 预测训练，但这必须假设基因有内在顺序（scGPT 用注意力机制，也有方法按表达量排序）。问题在于：DNA 序列的 ATGC 顺序有意义，但表达数据只是「计数矩阵」，即便打乱基因顺序生物学也基本不变，很难假设内在顺序。

Bo 意识到扩散语言模型不需要假设基因顺序，可用双向扩散过程生成高维基因表达。他用了一个精妙类比：自回归像「打字」——"I like coffee" 必须按序输入;扩散像「编辑」——从很粗糙的句子迭代精修。基因表达同理：先生成粗糙表征，再从含噪表征迭代到精细表征，直到损失最小化。这更契合稀疏的单细胞 RNA-seq，因此从 scGPT 式模型切换到扩散式的 X-Cell。论文显示扩散步数越多，损失越低、对真值的拟合越好，说明模型学会了迭代精修。

主持人追问：既然 transformer 本质是对「集合」的操作，为何不直接用 one-hot 编码的基因集合做预测、而要引入扩散或自回归？Bo 回应：那更偏「表征学习」（把基因集合投影到低维隐空间），但虚拟细胞要的是生成式建模、要预测细胞动态，所以用 decoder-only 架构生成完整转录组，而非预测一小组预定义基因，因为要建模极高维的全基因调控网络。输入是「基因表达量 + 扰动」，输出是每个细胞的新基因表达。Bo 认同「扩散语言模型像反复运行的 BERT」这一粗略理解。

另一大创新是融合先验知识。此前的模型只用单一先验（如基因调控网络或 PPI）。X-Cell 据 Bo 所知是首批融合极多元先验的模型之一，预印本里用了五类：文献（GenePT——让 ChatGPT 描述某基因再嵌入）、PPI 蛋白互作网络、DepMap（癌症相关必需基因）、形态学信息、scGPT 嵌入（即细胞类型）。以先验作为条件，模型在上下文特定预测上更准；更有趣的是通过看不同先验的权重，能理解哪类先验知识对某细胞类型更重要，增加了可解释性。训练后这些先验已成为可学习参数、无需再提供，但推理时提供可获得类似「in-context learning / promptable」的额外增益。

六、什么最重要：消融实验的贡献度排序

面对主持人「哪个是大 alpha、哪个是小 alpha」的追问，Bo 给出经验排序：数据的质量与规模贡献最大，其次是架构，最后是先验知识。

数据方面，他们特别兴奋于 Pisces 数据集（16 种细胞类型、25M 细胞、全基因组），且因混池筛选技术天然无批次效应，模型「不用去爬批次效应这座山」。架构方面，在同一数据集上把包括 State、scGPT 等虚拟细胞模型都训一遍对比，发现自回归→扩散在更难的任务（尤其泛化到未见任务）上有显著提升。先验知识则高度依赖细胞类型：某些细胞类型上某类先验差别巨大，某些则边际收益甚微；Bo 猜测可能是用 cross-attention 融合限制了元数据的作用范围，仍是待研究课题。他强调这一排序只适用于 X-Cell，不同架构的贡献排序可能不同。

七、泛化验证：从静息到激活、留一细胞类型、细胞系到原代

整个领域都在等一个证明：模型能在扰动预测上打败线性基线，并能跨上下文泛化（不只在有训练数据的细胞系内，而是能到该上下文之外）。X-Cell 展示了三类泛化。

其一，T 细胞：他们专门生成了「静息 T 细胞」扰动筛，只在静息态训练，然后告诉模型「这是激活 T 细胞的样子，去预测所有扰动会怎样」——模型从未见过激活 T 细胞里的扰动。他们设了严格对照：线性基线把静息态的扰动 delta 线性转置到激活 T 细胞（本质是「激活」与「基因扰动」两个效应能否线性相加的组合扰动问题）；还对比了领域内其他模型。结果 X-Cell 不仅准确预测已知生物学（TCR 复合体的失活效应），还正确预测了筛选中发现的推定 T 细胞失活因子。

其二，留一细胞类型:在多细胞类型 iPSC 分化实验里刻意留出一种细胞类型不训练，模型仍能在这个未见细胞类型上跨数千基因、数千扰动做出很好的预测。

其三，细胞系→原代细胞：模型在 T 细胞系上训练，而 Alex Marson 实验室近期发表了原代 T 细胞的 Perturb-seq（在原代细胞上做这种规模筛选极难，少有实验室能做）。仅在一个 T 细胞系上训练的 X-Cell 能泛化到多个供体的原代 T 细胞并做出准确预测。主持人评价这验证了整套理论——在「略微奇怪」的细胞上训练，只要覆盖领域足够好，就能预测来自真实人体的真实细胞。

八、线性基线之争与更可靠的指标

主持人提到那个著名（或臭名昭著）的 Arc 挑战和「复杂基础模型常打不过线性基线」的主题。Bo 回应：那些基准建立在 Replogle 等很小的数据集上，且多用 MAE 指标——由于单细胞数据极稀疏，细胞的平均profile本身就是一个很好的局部最优来最小化 MAE，甚至比被视为真值的技术重复的 MAE 还低，这说明该指标不可靠。而且这些基准大多比较的是在静态表达数据上训练的模型（如 scGPT 常被对标）。X-Cell 的不同在于训练在因果数据、海量全基因组扰动数据上，学到更好的干预动态。

Chu 补充领域缺乏一致且公认的基准，「被测量的东西才会被改进」。X-Cell 论文重点用了围绕基因表达变化的指标——如 Pearson delta（预测变化与真值变化的相似度），这很难作弊，必须真正把变化预测对。让 Chu 震撼的正是把线性基线预测、真值、X-Cell 预测的热图并排看，肉眼可见 X-Cell 明显更接近真值——这就是开场说的 wow 时刻。原因也不难理解：这是首次能把不只一个、而是七个全基因组 Perturb-seq 项目放在一起，生物学家立刻发现有些扰动是「上下文通用」的（如管家基因在每种细胞里做同样的事），另一些则高度上下文特定（如 iPSC 里发育相关、神经元分化的基因才会亮起）——所以一个足够复杂的非线性模型能更好地捕捉这两类效应。

九、单基因 vs 组合扰动，与平台的三轴扩展

主持人指出调控网络里常有单基因做很多事（如某一基因在胚胎发育第七天决定分化），也有大量冗余的基因网络允许微妙反馈，因此很多单基因扰动可能「无关紧要」，未来或需组合策略。

Chu 以生殖生物学的剂量补偿举例：雌性细胞两条 X 染色体、雄性一条，哺乳动物用一个只产非编码 RNA 的基因，让该 RNA 包裹住雌性的一条 X 染色体、关闭其大部分表达、塞进核内角落成为「巴氏小体」。这说明单基因能做很多事，但生物学也有冗余与补偿——四个基因冗余做同一件事时，敲掉一个不足以看到表型。因此平台正沿三轴扩展：从单一转录组走向多模态数据；从单基因扰动走向通路激活/失活（开关整条级联反应）；从细胞系单培养走向原代细胞、类器官乃至体内直接扰动筛选。这也是为何把 PPI 网络作为先验融入模型。Bo 补充：虽然模型目前在单基因扰动上训练，但训练后可在计算机里预测组合扰动——同时扰动两个基因的 token 看响应；没有真实组合扰动数据准确度可能不够，但已能用于生成假设。

十、AI 时代的科学家、产学关系与开源

Bo 坦言官方是 80% Xaira、20% 大学，实际是「100%+100%」。他的实验室用大量 agentic AI 每天监控 AI 论文，但即便作为教授也极难跟上，「有时醒来就焦虑，这篇论文这么多人发了，我们没发表的工作怎么办」，学生的焦虑可能是 10 倍。他鼓励学生用工具、保持专注、找到能成为专家的细分领域。

他观察到 agentic AI 时代学术界做科学的方式极为不同：教授和学生在经费、发表节奏上都很挣扎，重大突破多来自工业界（如 AlphaFold）。很多教师因资源（尤其 GPU）离开大学加入工业界——「学生加入实验室第一个问题往往是你有多少 GPU」。但他认为学术界的优势在创新节奏、细分领域的极致专精，以及思考的自由。他呼吁政府加大对学术界投入，因为他仍深信学术界是整个领域、尤其生物技术创新的主源。

面对主持人「为什么钱不该都给工业界」的追问，Bo 强调学术自由的力量：教学倒逼你成为专家、持续更新知识——他在多伦多大学教一门 600 人的深度学习/神经网络大课，每年被迫更新讲义、阅读大量材料，并在与学生交流中生成把前沿 AI 应用到生物/健康细分领域的新想法。加拿大学术体系还能接触工业界因法律/监管难以获取的医疗数据集（如他们在加拿大学术医院做出的超声图像 SOTA 基础模型）。Chu 100% 赞同，补充湿实验室的许多创新最初都在学术界诞生：CRISPR、CRISPR 用于哺乳动物筛选、液滴单细胞 RNA-seq、乃至 Perturb-seq（Chris Box、Jonathan Weissman 等实验室）都是学术界先驱；但一旦显现早期希望，「规模化、稳健化、生成海量高质量数据」更适合工业界。

关于开源，Bo 是坚定信徒，所有模型和数据都在其实验室 GitHub 开源。理由是学术界只做原型、不可扩展，工业界能规模化（这也是 scGPT 成为最广用单细胞基础模型的原因）；而虚拟细胞领域太早期，藏着数据无益，「双赢是大家一起贡献数据、贡献模型、交换想法」，正如蛋白质领域因 PDB 开源、AlphaFold/RosettaFold 开源而繁荣。他建议干实验室的 AI 研究者多与工业界合作换资源；在人人能写代码的 agentic AI 时代，「品味」更重要——别无目的地烧 token。Chu 补充将进入「共生创新、想法交叉授粉」的时代，仅上周就有一篇很棒的学术论文；生物学远不止 Perturb-seq，如何在规模上测量蛋白、代谢物、脂质、细胞互作、体内扰动，还有多年工作要做，需要学术界与工业界共同推进。

十一、魔法棒：想要的技术突破

被问到「若能挥魔法棒解决一个瓶颈」，Chu 选蛋白质：如果能像做基因组学那样做高通量单细胞蛋白测序就太好了——RNA 预示蛋白，但蛋白才是细胞的功能单元，其丰度、翻译后修饰、定位、构象状态都重要，能在单细胞或空间尺度大规模测这些将极有用。

Bo 想要测序技术的突破，不只是降本，而是能对「同一批细胞」在不同时间点测序。当前的瓶颈是测序必须杀死细胞，所以一切测量都是静态的。若能在不杀死细胞的前提下测同一组细胞在不同时间点的状态，就能建模细胞的时间动态——「在我看来，那才是真正的虚拟细胞」。主持人称从未想过这个点子。Bo 说可从小的基因面板起步，提到已有早期尝试（如抽取部分细胞质做「细胞活检」、或让细胞分泌小囊泡后从培养基里采集测量），但还没有既能测整个细胞转录组、又能保住细胞不死的技术——「鱼和熊掌不可兼得」。

金句

从根本上说，我们相信观测数据在学习真正的因果性上功率不足，这就是为什么我们很早就意识到，需要真正开始构建因果数据集来训练因果模型。 —— Ci Chu 22:25

我们没有正确的生物学数据来支撑预测模型的训练；在蛋白设计领域进展最快，正是因为我们有社区七十年策展的大量高质量数据。 —— Ci Chu 8:32

自回归训练像打字——"I like coffee" 得按序敲；而扩散语言模型像编辑——你从一个很粗糙的句子迭代精修它。 —— Bo Wang 42:30

90% 的疾病没有治愈方法，大多数药物在三期临床上失败，而三期的成功率低到只有 5% 到 10%。 —— Bo Wang 60:19

我们仅在一个 T 细胞系上训练的 X-Cell，就能跨多个供体、在原代 T 细胞实验里做出准确预测。 —— Ci Chu 59:33

在 agentic AI 时代人人都能写代码，所以更重要的是对项目有正确的品味，别无目的地烧 token。 —— Bo Wang 81:08

你不能既保留蛋糕又把它吃掉——目前还没有能测整个细胞转录组、又让细胞活着的技术。 —— Ci Chu 88:06

提到的书·产品·人物

• Xaira Therapeutics（公司）：本期两位嘉宾所在的 AI 原生药物发现公司，端到端覆盖靶点识别到临床试验。
• X-Cell / X-Cell Orion / Pisces（模型与数据集）：Xaira 的虚拟细胞模型（49 亿参数、扩散语言模型）及其两代 Perturb-seq 数据集，Pisces 含 16 种细胞类型、25M 细胞。
• scGPT（模型）：Bo 在多伦多大学发表的早期单细胞基础模型，ChatGPT 发布约四个月后问世，采用自回归训练。
• GenePT（先验/嵌入）：让 ChatGPT 描述某基因、再把输出作为嵌入喂给模型的文献类先验。
• Cell×Gene（cell by gene）（数据集）：3300 万+细胞的观测性图谱数据集，用于训练描述性模型但不含因果性。
• CRISPR-Cas9 / Perturb-seq（技术）：细菌来源的基因编辑酶与「混池 CRISPR 扰动 + 单细胞 RNA-seq」的因果数据生成技术。
• AlphaFold / RosettaFold / PDB（模型与数据库）：蛋白结构预测模型与其赖以繁荣的开源蛋白结构数据库，作为「高质量数据催生突破」的正面例证。
• David Baker（人物）：Xaira 联合创始人、华盛顿大学蛋白设计权威，其团队构成 Xaira 蛋白设计平台。
• Alex Marson（人物）：湾区实验室负责人，其原代 T 细胞 Perturb-seq 与去年 12 月的筛选被用作 X-Cell 泛化能力的外部验证。
• Jonathan Weissman / Chris Box（人物）：Perturb-seq 技术的学术界先驱。
• State / gene formers（geneformer）（模型）：被 X-Cell 在同一数据集上对标的其他虚拟细胞/静态表达基础模型。
• DepMap（数据库）：癌症相关必需基因信息，作为 X-Cell 的先验之一。
• Insitro / Verily（Google X）（公司）：Ci Chu 加入 Xaira 前的任职经历。
• Ron Alpha & Dan Bear（Noetic）（人物/公司）：主持人推荐的往期嘉宾，深入讲过空间转录/蛋白组学。
• Replogle 数据集（数据集）：常被用作扰动预测基准的小数据集，Bo 批评其 MAE 指标不可靠。

适合谁听

想理解「虚拟细胞」为何需要因果数据、以及扩散模型如何用于生物学的 AI 工程师与计算生物学从业者。