一粒药扔进细胞里，基因表达会怎样变化？
设想一个场景：你是一名药物研发人员，手里有一种全新的候选化合物。你把它加到培养皿中的细胞里，想知道哪些基因会因此被激活、哪些会沉默、表达水平会涨到多少、降到多少。传统做法是做实验——把药加进去，等细胞反应，然后用单细胞RNA测序（scRNA-seq）逐个细胞地读取全转录组数据。这个过程贵、慢，而且每次只能测有限的条件组合。
如果能用计算机模拟这一切呢？给模型一个细胞的当前状态，告诉它"我对这个细胞施加了什么扰动"，模型就直接输出扰动后的基因表达谱。这就是AI虚拟细胞（AI Virtual Cell，AIVC）的核心愿景之一。
2026年6月11日，来自arXiv的一篇新论文提出了OCOO-T——一个基于流匹配（flow matching）的极简虚拟细胞模型，专门用于预测单细胞转录组对各类扰动的响应。论文作者是Danning Jiang、Zheming An、Yalong Zhao和Lipeng Lai。OCOO-T在Tahoe100M、Replogle和PBMC三大基准测试集上取得了当前最优性能，同时保持了令人惊讶的架构简洁性。
扰动预测为什么难？
单细胞转录组扰动预测的核心问题是：给定一个细胞在扰动前的基因表达向量（通常包含两万多个基因），以及一个扰动描述（比如敲除某个基因、加入某种药物、添加某种细胞因子），预测扰动后每个基因的表达值。
这件事的难度来自多个方面：
维度爆炸。 人类基因组编码约两万个蛋白质编码基因，加上非编码RNA，单细胞转录组的特征空间轻松超过两万维。在这个高维空间里，一个细胞的状态就是一个两万维向量。扰动的效果是在这个空间里的一次位移——但位移的方向和幅度取决于细胞的初始状态、扰动的类型、剂量，甚至细胞的类型。
上下文依赖。 同一个基因敲除，在T细胞和B细胞中引起的转录变化可能完全不同。同一种药物，剂量不同，效应也不同。模型必须同时理解细胞的身份和扰动的具体参数。
数据稀疏。 尽管近年来单细胞数据集规模迅速膨胀——Tahoe100M数据集就包含超过一亿个细胞——但扰动条件的组合空间是天文数字。基因敲除实验通常只覆盖几百到几千个基因，药物筛选也只覆盖有限的化合物库。模型必须从有限的扰动观测中泛化到未见过的扰动条件。
噪声与批次效应。 单细胞测序数据天然噪声大，不同实验室、不同平台、不同时间采集的数据之间存在系统性差异。模型需要对这些技术变异保持鲁棒。
已有方法的"重"与"繁"
在OCOO-T之前，这个领域已经涌现出一批有影响力的方法。了解它们的设计哲学，才能理解OCOO-T的"减法"做得有多彻底。
GEARS（2023） 使用图神经网络（GNN）来编码基因之间的相互作用关系，然后用一个小型Transformer来预测扰动后的表达变化。它需要预先构建基因调控网络作为先验知识，这增加了数据预处理的复杂度，也引入了对已知生物学知识的依赖——如果你要研究的扰动涉及一个功能未知的基因，GEARS的图结构就可能失效。
scGPT（2023） 是一个大规模预训练的单细胞基础模型，使用了类似GPT的自回归架构。它在海量单细胞数据上预训练，然后微调用于扰动预测。scGPT的参数量大，训练成本高，而且其自回归解码方式并不是为连续值预测天然设计的。
BioLLM / CPA（2023） 等方法使用变分自编码器（VAE）将细胞状态压缩到低维潜在空间，再在潜在空间中预测扰动效果。这种"压缩-预测"的两阶段框架引入了信息瓶颈——压缩过程中不可避免地丢失信息，而这些丢失的信息可能恰好对某些扰动的预测至关重要。
TIGON（2024） 和 PriorCell（2025） 等方法引入了更复杂的架构组件——层次化VAE、专用的Transformer编码器-解码器对、基因交互先验模块。这些设计提高了特定场景下的预测精度，但也使得模型越来越重、越来越难以复现和扩展。
归纳起来，现有方法普遍依赖以下一种或多种"额外组件"：
- 辅助细胞状态编码器（VAE、自编码器）
- 基因调控网络或知识图谱作为先验
- 专用的Transformer编码器-解码器架构
- 层次化的潜在空间建模
OCOO-T的作者问了一个简单的问题：这些东西真的都需要吗？
OCOO-T的设计哲学：做减法
OCOO-T的全称是"OCOO-T"（论文中未展开缩写），其核心设计理念可以用一句话概括：把扰动预测当作一个连续时间的去噪过程，用最朴素的Transformer来处理。
具体来说，OCOO-T做了以下几件事：
1. 直接在原始表达空间操作
不压缩、不编码、不降维。OCOO-T直接拿细胞的原始基因表达向量（连续值，log-normalized后的浮点数）作为输入。一个典型的输入就是大约两万个浮点数，每个对应一个基因的表达水平。
这意味着模型不需要一个额外的编码器来把细胞"翻译"成某种潜在表示。细胞就是它自己——一个高维向量。
2. 流匹配框架
OCOO-T采用流匹配（flow matching）作为生成框架。流匹配是扩散模型（diffusion model）的一种变体，但更简洁：它学习一个向量场，将简单的噪声分布（通常是高斯分布）"流动"到目标数据分布。
在扰动预测的语境下，这个过程可以这样理解：
- 从一个高斯噪声向量出发（维度与基因数相同）
- 模型学习如何逐步去噪，最终生成扰动后的基因表达谱
- 去噪的条件是：扰动类型、剂量、细胞类型等上下文信息
关键在于，流匹配是一个连续时间的框架，不需要像离散扩散那样定义复杂的噪声调度。整个去噪过程就是一个常微分方程（ODE）的积分。
3. 朴素Transformer栈
OCOO-T没有使用编码器-解码器架构，而是用了一个"vanilla"（朴素、原味）的Transformer栈。所谓"vanilla"，就是最基本的Transformer结构——多头自注意力、前馈网络、层归一化，没有花哨的变体。
扰动信息通过两种方式注入模型：
自适应层归一化（Adaptive Layer Normalization，AdaLN）。 扰动类型和剂量信息被编码为一个条件向量，用来调制Transformer每一层的缩放和偏移参数。这种技术在条件生成模型中被广泛使用（比如DiT——Diffusion Transformer），它的好处是条件信号可以"渗透"到模型的每一层，而不是只在输入端注入一次。
上下文标记（In-Context Tokens）。 细胞类型和扰动信息被编码为额外的标记（tokens），拼接在基因表达标记的序列前面。这样，Transformer的自注意力机制可以自然地让每个基因标记"看到"上下文信息。
4. Patching机制处理长序列
两万个基因标记加上若干上下文标记，序列长度超过两万。标准Transformer的自注意力计算复杂度是序列长度的平方，直接处理这么长的序列计算代价很高。
OCOO-T引入了一个简单的patching策略：把基因表达向量分成固定大小的块（patches），每个块作为一个token输入Transformer。这样，序列长度从两万降低到几百，计算量大幅下降。推理时再通过"解块"（depatching）操作还原为完整的表达向量。
这个设计借鉴了Vision Transformer（ViT）中将图像分成patch的思想——同样是把高维输入切分成固定大小的小块，再用Transformer处理。
训练细节与数据
OCOO-T的训练数据来自三个大规模单细胞扰动数据集：
Tahoe100M。 这是目前最大的单细胞扰动筛选数据集之一，包含超过一亿个细胞。数据来源于多种癌细胞系对数百种药物的转录响应。这个数据集的规模使得OCOO-T能够学习到丰富的药物-细胞相互作用模式。
Replogle数据集。 来自Replogle等人2022年的工作，包含在K562和RPE1细胞系中进行的大规模基因敲除（Perturb-seq）实验数据。每个扰动条件对应一个或多个基因的CRISPR敲除。
PBMC数据集。 外周血单核细胞（PBMC）对细胞因子刺激的转录响应数据。这类扰动不同于基因敲除和药物处理，代表了免疫细胞对信号分子的应答。
训练过程中，OCOO-T使用流匹配的目标函数——最小化预测向量场与真实向量场之间的均方误差。优化器使用AdamW，学习率调度采用余弦退火。
值得一提的是，OCOO-T没有使用任何基因调控网络先验、没有预训练阶段、没有辅助损失函数。整个训练流程就是：数据进去，流匹配损失出来，反向传播，更新参数。
实验结果：简洁不等于性能妥协
OCOO-T在三个基准测试集上与多种现有方法进行了对比，结果令人印象深刻。
Tahoe100M基准
在Tahoe100M上，OCOO-T的预测精度超过了所有对比方法，包括基于GNN的GEARS、基于大规模预训练的scGPT、以及多种VAE变体。特别值得注意的是，OCOO-T在"零样本"泛化场景下——即对训练中未见过的药物或细胞类型进行预测——也展现出良好的泛化能力。
Replogle基准
在基因敲除数据集上，OCOO-T同样取得了最优或接近最优的性能。基因敲除预测的难点在于：敲除一个基因会影响其下游调控的整个基因网络，而这个网络在不同细胞类型中可能有截然不同的拓扑结构。OCOO-T不需要显式地建模这些网络，而是通过大量数据隐式地学习了这些调控关系。
PBMC基准
在细胞因子刺激数据集上，OCOO-T的表现也达到了竞争水平。这说明流匹配框架对不同类型的扰动（基因敲除、药物处理、细胞因子刺激）都有良好的适应性。
可扩展性
OCOO-T的patching机制使其能够高效处理长转录组。在实验中，作者展示了随着patch大小和模型容量的增加，OCOO-T的性能可以进一步提升，而计算成本的增长是可控的。这种可扩展性对未来的应用至关重要——随着单细胞测序技术从RNA扩展到多组学（蛋白质组、表观基因组），输入维度将进一步膨胀，一个能够优雅地处理长序列的模型将更加重要。
流匹配在生物领域的意义
OCOO-T选择流匹配作为生成框架，这本身就是一个值得深入讨论的设计决策。
流匹配是近年来生成建模领域的重要进展，由Lipman等人在2022年提出。与传统的扩散模型不同，流匹配不需要预定义的噪声调度，而是直接学习一个概率路径的向量场。这使得训练更稳定、推理更高效。
在图像生成领域，流匹配已经被证明可以生成与扩散模型相当甚至更好的样本，同时训练和推理速度更快。但将流匹配应用于生物数据——特别是单细胞转录组数据——是一个相对新颖的尝试。
单细胞数据与图像数据有几个本质区别：
没有空间结构。 图像有二维网格结构，相邻像素之间有强相关性。基因表达数据虽然可以按基因之间的调控关系排列，但本质上是一个无序的集合。OCOO-T通过让Transformer自己学习基因之间的关系（通过自注意力），避免了人为指定基因排列顺序的问题。
数值连续且量级差异大。 像素值通常在0-255或0-1之间，而基因表达值的范围可以从0到几万（取决于高表达基因）。流匹配处理连续值的天然能力在这里成为优势——它不需要对数据做离散化或特殊的量化处理。
生物学约束。 基因表达值必须是非负的，而且在扰动前后，细胞的整体转录状态通常不会发生剧烈的变化（虽然单个基因的表达可能大幅波动）。这些生物学先验可以作为归纳偏置融入模型，但OCOO-T选择不显式编码这些约束，而是让模型从数据中学习。
架构简洁性的深层价值
在当前AI研究的大背景下，OCOO-T的"减法"设计有超越性能数字的深层意义。
可复现性。 复杂的多模块架构往往意味着更多的超参数、更多的训练技巧、更多的实现细节。当一个模型同时包含GNN、VAE、Transformer编码器和解码器时，即使论文提供了代码，其他研究者精确复现结果的难度也会显著增加。OCOO-T的架构足够简单，可以被一个有经验的研究者在几天内从头实现。
可解释性。 虽然Transformer本身并不是一个"可解释"的模型，但单一架构比多模块系统更容易进行分析。研究者可以通过注意力图谱来理解模型如何利用上下文信息、哪些基因在预测中起了关键作用。如果模型有多个异构组件，这种分析会变得更加困难。
可扩展性。 简洁的架构更容易扩展到更大的数据集和更高的维度。当输入从两万维扩展到十万维（多组学场景）时，OCOO-T只需要调整patch大小和模型容量，而不需要重新设计整个架构。
科学启示。 OCOO-T的实验结果本身就是一个科学发现：它表明，至少在这个任务上，基因调控网络先验、层次化潜在空间、专用编码器-解码器等额外组件都不是必要的。这迫使我们思考：这些组件到底学到了什么？它们提供的信息是否已经被数据本身所蕴含？如果一个足够强大的通用架构能从数据中自动学习这些模式，那么显式编码生物学知识的价值何在？
局限性与未来方向
当然，OCOO-T并非没有局限。
基因调控关系的隐式学习。 虽然OCOO-T不使用显式的基因调控网络，但这意味着它必须从数据中隐式地学习这些关系。对于数据中出现频率低的基因或罕见的扰动条件，隐式学习的效果可能不如显式建模。
时间维度的缺失。 当前的OCOO-T预测的是扰动后某一时间点的"快照"，而不是扰动后基因表达随时间的动态变化。实际的生物系统中，不同基因对同一扰动的响应时间差异很大——有的基因在几分钟内就被激活，有的需要几小时甚至几天。将OCOO-T扩展到时间序列预测是一个自然的下一步。
多组学整合。 当前模型只处理转录组数据。真正的"虚拟细胞"需要同时模拟蛋白质组、代谢组、表观基因组等多层次的分子状态。OCOO-T的架构是否能自然地扩展到多组学场景，还有待验证。
因果推理能力。 OCOO-T本质上是一个统计预测模型——它学习的是"给定扰动条件，最可能的表达谱是什么"，而不是"扰动X通过哪些因果路径导致了基因Y的变化"。对于药物机制研究和靶点发现这类需要因果推理的任务，纯预测模型可能不够。
单细胞扰动预测的赛道格局
OCOO-T的出现，让单细胞扰动预测这个快速发展的赛道变得更加有趣。
过去三年，这个领域经历了从"能不能做到"到"怎么做得更好"的转变。早期的方法（如cVAE、Linear Model）只能做粗粒度的预测，现在的模型已经可以精确到单个基因的表达水平。
同时，数据集的规模也在快速增长。从早期的几千个细胞，到Replogle的数十万个细胞，再到Tahoe100M的一亿个细胞，数据规模的扩大为更强大的模型提供了燃料。OCOO-T的成功证明，当数据量足够大时，简单的架构也能胜过复杂的架构——这与大语言模型领域的发现是一致的。
商业层面，多家公司正在押注AI虚拟细胞赛道。包括Arc Institute（Tahoe100M的发起方）、Genentech、Google DeepMind等机构都在投入大量资源。OCOO-T这样开源的、简洁的基线模型，为这个领域的研究者提供了一个强有力的起点。
技术细节补充：AdaLN与上下文标记
对于希望深入理解OCOO-T技术实现的读者，这里补充两个关键设计的细节。
自适应层归一化（AdaLN）
标准的Layer Normalization会对输入特征做零均值、单位方差的归一化，然后通过可学习的缩放参数γ和偏移参数β进行仿射变换：
LN(x) = γ · (x - μ) / σ + β
AdaLN的做法是：γ和β不再是固定的可学习参数，而是由条件信息（扰动类型、剂量等）动态生成的。具体来说，条件向量c通过一个小的全连接网络映射为γ和β：
γ = MLP(c)
β = MLP(c)
这样，每一层的归一化行为都会根据当前的扰动条件自动调整。在OCOO-T中，AdaLN被应用在Transformer的每一层，使得扰动信息能够深层渗透到模型中。
上下文标记
在输入序列的开头，OCOO-T插入若干特殊的标记，编码以下信息：
- 细胞类型标记： 告诉模型当前处理的是哪种细胞（如K562、Jurkat、原代T细胞等）
- 扰动标记： 编码扰动的类型（基因敲除的靶标、药物的名称等）
- 剂量标记： 编码扰动的强度
这些标记与基因表达标记一起输入Transformer。由于自注意力机制是全局的，每个基因标记都可以"看到"这些上下文标记，从而在预测时考虑细胞身份和扰动参数。
写在最后
OCOO-T的核心贡献不是某个精巧的技术创新，而是一个有力的实验证明：在单细胞扰动预测这个任务上，数据和简洁的架构设计可能比复杂的归纳偏置更重要。
这让人想起深度学习历史上反复出现的模式——AlexNet、ResNet、GPT，每一次突破性的进展都不是因为加入了更多先验知识，而是因为找到了更好的方式让模型从数据中学习。OCOO-T在单细胞生物学领域重复了这个叙事。
当然，"简洁"不等于"简单"。OCOO-T的设计看似朴素，但每个选择——流匹配框架、AdaLN条件注入、patching机制——都是经过深思熟虑的。正如密斯·凡·德·罗所说："Less is more"，但前提是"less"做到位。
对于有志于进入AI虚拟细胞领域的研究者，OCOO-T是一个理想的起点：代码量小、概念清晰、性能强劲。它提供了一个干净的基线，在此基础上可以探索更多的改进方向——加入时间维度、整合多组学数据、引入因果推理机制。
对于关注AI在生物学中应用的更广泛读者，OCOO-T的故事传递了一个信号：AI虚拟细胞正在从概念走向现实。当模型能够准确预测细胞对任意扰动的响应时，药物研发的范式将被根本性地改变——从"先做实验再理解"转向"先模拟再验证"。
那一天还没到来，但OCOO-T让它又近了一步。
论文信息
- 标题：OCOO-T: A Simple and Scalable Virtual Cell Model for Transcriptional Perturbation Response Prediction
- 作者：Danning Jiang, Zheming An, Yalong Zhao, Lipeng Lai
- arXiv ID：2606.12838v1
- 发布日期：2026年6月11日
- 分类：q-bio.QM, cs.AI, cs.LG, q-bio.GN
评论