斯坦福教授连发12条长帖质疑单细胞基础模型与「虚拟细胞」叙事

斯坦福教授 Anshul Kundaje 于 10 月 6 日连发 12 条推特长帖，针对一项新的单细胞基础模型扰动预测评测研究展开系统批判，核心结论是：现有 scFM 路线远未兑现「虚拟细胞」的承诺。

已确认

• Kundaje 指出，该新论文唯一展示的成果是：在更新后的评测指标下，一些显式在扰动数据上微调的 scFM 能超过「最平凡不过」的基线，他认为这远不足以支撑「scFM 是通往扰动预测或因果转录调控模型之路」的说法。
• 他的核心方法论论断是：用观察性数据预训练的 scFM 不能、也无法以可靠方式学到因果效应，因此不能直接用于扰动预测或因果发现。
• 在扰动数据上微调后的 scFM 绝对性能被他形容为「惨不忍睹」。
• 他指出论文未报告一些对平凡基线的微小改进方案（如加权均值，或直接以 WMSE 为目标训练的线性模型），这些改动可能让基线更强，进一步削弱微调 scFM 的相对优势。
• 他逐一列举目前表现「还算可以」的扰动预测模型——PRESAGE、Rheister、Arc 的 PIE 模型、GenbioAI 的最近邻模型——全部没有使用单细胞预训练。
• SOTA 扰动模型看似能预测未见扰动，但泛化很大程度上只发生在与训练分布高度相似的扰动和条件上，超出训练数据与先验知识覆盖范围时泛化能力依然很差；他认为这不是问题本身，但用户必须清楚这一局限。
• 他进一步指出，更大的问题在于数据设计：以当前的实验设计与可测量的输入，根本无法学出「虚拟细胞」、世界模型或具备生物学因果机制的模型。
• 他认为 SOTA 扰动模型的预测力大部分来自先验知识信息，据此称其为因果转录调控模型或「虚拟细胞」并不成立。

尚未确认

• Bo Wang 团队同期在 Nature Biotechnology 发表新论文《Deep Learning Perturbation Models Can Outperform Baselines on Calibrated Metrics》，主张「单细胞模型跑不赢基线」是度量问题，校准指标下模型可以胜出，构成对批评方的回应；Kundaje 的转发帖也提及这一争议或为度量之争。双方结论孰是孰非尚待社区检验。

为什么重要

• 这场争论直指 AI for Science 中「虚拟细胞」这一高热度叙事的科学基础：如果观察性数据训练的基础模型学不到因果效应，相关路线的资金与宣传方向可能需要重估。
• Kundaje 在收尾帖（第 12 条与第 10-11 条）中批评一些人无视经验教训、把严谨研究歪曲成对自己路线的支持，凸显评测严谨性与科学传播之间的张力。
• Bo Wang 团队在 Nature 子刊的度量校准论文为被批评方提供了翻案角度，双方交锋将影响扰动预测模型未来评测标准的设计。

2026-10-06 ~ 2026-10-06 · 12 条相关

• 【源头】Nature子刊新论文：单细胞模型「跑不赢基线」是度量问题 — BoWang87 · 2026-10-06
• 单细胞基础模型争议或为度量问题，新论文称校准指标可翻案 — anshulkundaje · 2026-10-06
• 「换了新指标才勉强赢平凡基线」,学者讽刺微调 scFM 战绩 — anshulkundaje · 2026-10-06
• 【源头】Kundaje:观察性数据训出的 scFM 学不到可靠因果效应 — anshulkundaje · 2026-10-06
• 学者:加权均值等平凡基线稍加改进,或已胜过微调模型 — anshulkundaje · 2026-10-06
• 【源头】表现尚可的扰动模型都不用单细胞预训练,Kundaje 逐一列举 — anshulkundaje · 2026-10-06
• 斯坦福学者批单细胞模型:预测力多靠先验知识,并非虚拟细胞 — anshulkundaje · 2026-10-06
• 扰动模型难以外推训练数据范围,作者提醒勿过度解读 — anshulkundaje · 2026-10-06
• 斯坦福教授指出基因组扰动模型难以泛化到训练分布之外 — anshulkundaje · 2026-10-06
• Kundaje 续谈虚拟细胞:现有实验设计学不出因果世界模型 — anshulkundaje · 2026-10-06
• Kundaje 收尾炮轰:有人拿「虚拟细胞」宣传歪曲严谨研究 — anshulkundaje · 2026-10-06

另有 1 条近重复转述:anshulkundaje