云生信 · 虚拟细胞技术观察｜2026年11月12日｜科研述评
如果把同一块组织的 RNA、蛋白和形态都交给模型，它能否更可靠地预测一次基因干预？这个问题比“又接入了一种数据”更接近虚拟细胞的科研价值。模型需要帮助研究者选择下一次实验，而这种价值必须在尚未见过的条件中检验。
近几天的进展让这个问题变得具体：联合测量方案正在完善，多模态模型开始检验信息增益，企业也在推进计算与实验衔接。我们的判断是：准备把多模态模型用于虚拟细胞研究的团队，应把新增模态能否改善一个可验证的生物学决策，放在验收的中心。 数据种类、嵌入空间和演示效果都不能代替这项检验。
同片测量让输入更可靠，预测问题仍然需要单独回答
11月10日电子发表、11月11日进入 PubMed 的一篇 STAR Protocols 方案，把 Xenium RNA 测量与 MACSima 循环蛋白成像安排在同一组织切片上，并提供配准和整合脚本。它使研究者能够在保留组织位置的前提下关联两种观测。这里核对的是原始摘要，未据此推断具体面板规模或性能。原始记录：PMID 43013400
这对模型开发的重要性在于：当两个模态来自不同切片，所谓“配对差异”可能混入组织位置或细胞组成差异。同片方案提供了更直接的对应关系，便于进一步审查配准误差。但即便输入一一对应，仍需回答它是否增加了目标任务的信息。
同日发表的 scMINA 则展示了分析端的进展：它整合配对 RNA／ATAC 数据，并通过可解释归因对调控特征排序。其摘要报告的是细胞状态分析与候选调控优先级，没有报告前瞻性的干预响应验证。原始记录：PMID 43011234
两类工作分别改善了“测到了什么”和“怎样解释状态”。若研究目标是预测干预，下一步仍要证明：这些状态描述是否包含决定响应差异的变量。观测对应、状态解释、干预预测，是需要依次建立证据的三个问题。
多模态有没有用，取决于任务需要哪类信息
11月9日发表于 Nature Machine Intelligence 的研究，比较了10种融合策略和3类空间转录组数据，并引入协同信息评分 SIS。主要发现是：融合收益依赖任务；当单个模态已能支撑任务时，融合的增量有限，而需要跨模态互补信息的任务更可能受益。其理论分析中的线性结论有冻结编码器、线性映射等前提，不能推广为所有端到端模型的普遍限制。出版社原始研究
对虚拟细胞研究，这提示了一个容易忽略的评估陷阱。假设某个细胞类型本来就能由 RNA 清楚识别，加入图像后仍准确分类，并不能说明模型理解了细胞如何响应药物。评估题目若主要奖励重复信息，模型就可能在没有解决干预问题的情况下拿到漂亮分数。
我们建议倒过来设计任务：先找出单模态容易混淆、但实验上响应不同的状态，再检验另一模态能否减少这种混淆。例如，在相似 RNA 状态的细胞中，空间邻域是否能帮助预测干预后的响应差异？这是一个待检验的假设，不能从静态融合结果直接推出答案。
手机阅读可左右滑动查看完整表格。
| 要支持的主张 | 需要展示的证据 | 暂时不能据此推出什么 |
|---|---|---|
| 两种模态对应可靠 | 同片配准、分割质控及误差审查 | 模型已能预测干预 |
| 融合增加任务信息 | 与充分调优的单模态、简单拼接比较；按个体或样本留出 | 对所有组织和任务都有收益 |
| 模型能预测未见条件 | 留出扰动及目标细胞背景，检验效应方向、亚群与分布 | 预测已获得机制或治疗验证 |
| 模型能改善实验决策 | 预测先冻结，再开展有对照的实验核验 | 可以脱离适用范围替代实验 |
表中是本文建议的分级判断框架，不是上述论文共同完成的实验。
企业开始连接计算与实验，验收也应走向闭环
BioMap 在11月12日发布的公司新闻稿中，介绍了11月6日峰会上的合作，包括推进与香港大学的乳腺癌虚拟细胞项目下一阶段，以及与 Revvity 开展计算和实验闭环实验室合作。这些是企业披露的项目方向；这份公告没有提供上述合作的独立前瞻预测结果。BioMap 署名新闻稿
我们更关注这类合作将如何验收。若平台只在完成实验后解释结果，很难区分模型的预测能力与事后拟合。一个更有说服力的闭环，应保存实验开始前的候选排序、响应方向和不确定性，再用后续实验检验它们。
这也是产业投入与前述科研问题的连接处：高质量配对数据解决输入问题，任务相关的融合解决信息利用问题，预测先于实验的记录解决验证问题。三者衔接后，才能判断模型究竟在哪一段提高了研究效率。单靠合作规模无法回答这个问题。
课题组可以先做一次范围明确的对照
假设团队已有 RNA、蛋白和干预数据，打算用多模态模型筛选后续实验候选。与其一开始扩大所有数据维度，可以先固定一个问题：在指定细胞背景下，模型能否更好地识别哪些候选会引起目标响应？以下是我们提出的验证方案，并非已完成的实验结果。
先按真实应用划分留出集。 若目标是跨个体应用，就留出独立个体；若目标是新扰动，就留出扰动。不能仅把同一切片中的细胞随机分开，再把这种成绩解释成跨个体或跨条件泛化。
给单模态一个公平的竞争机会。 同时比较充分调优的 RNA 模型、另一模态模型、简单拼接和待评估的融合方法，报告训练数据与计算预算。这样才能区分收益来自新增测量、额外训练投入，还是融合设计。
围绕研究决策计分。 除整体表达误差，还应检查目标扰动相对对照的变化、效应方向、重要细胞亚群，以及候选排序是否改善。指标选择需与实验目标预先对应；不能只挑最有利的汇总分数。
最后冻结预测，再做核验。 将候选、效应方向和失败判据提前保存，安排合适的实验对照。对不确定的条件允许模型保留判断，并记录保留范围，避免把每一个输出都解释成可靠结论。
什么证据会改变我们对“多模态增量尚需证明”的判断？如果在严格留出的个体、批次和未见扰动中，融合模型相对公平基线持续改善了预先指定的响应与候选排序，而且实验核验支持这种改善，就应承认新增模态带来了实质价值。反过来，若优势只存在于同切片随机拆分或简单标签分类，结论就应停留在相应任务范围内。
下一篇突破，值得用怎样的尺度衡量
本期进展支持我们把关注点放到一条具体证据链：观测能否可靠对应，互补信息能否被利用，未见干预能否被预测，预测能否改善实验选择。 其中任何一环的进步都有价值，也都有自己的边界。
对正在立项的团队，最有用的起点是一份范围清楚的验收问题：希望预测哪种细胞背景下的哪类干预，用什么外部样本核验，哪些结果会让项目继续或暂停。这样的约定能让模型更新与数据扩展围绕同一个科研目标积累证据。
如需讨论已有数据能支撑哪一级验证，可向云生信提供研究目标、数据类型、是否配对及可用验证条件，先沟通评估范围。联系云生信，讨论多模态验证设计
检索说明： 本期查看2026年11月6—12日 PubMed 近期记录，并补充11月9日出版社原始研究与11月12日企业署名新闻稿。两篇 PubMed 方法文献读取了原始元数据和摘要；多模态协同研究读取了出版社全文。本文为科研述评，作者建议未经本团队实验验证；企业声明不等于独立性能验证。
