斯坦福Arc Tahoe-100M虚拟细胞团队专访：AI制药的壁垒不是"模型"？而是高质量、亿级规模的数据集

Vevo Therapeutics（现为Tahoe）与Arc研究所，两家分别在生物技术商业转化和非营利性基础研究领域领先的机构，于2025年2月联合发布了一项里程碑式的成果：全球最大的单细胞药物扰动数据集Tahoe-100M。这一发布率先为整个生物科学界提供构建“虚拟细胞”模型所需的高质量数据集，有望深刻改变我们理解和治疗复杂疾病的方式。

此次访谈汇集了AI4BioMed的重要KOL，包括Vevo的联合创始人Nema Alidoust和Johnny Yu，以及Arc研究所的创始人Patrick Hsu、首席技术官Dave。他们将共同揭示AI生物学的下一场革命。

目录

01. “ImageNet时刻”：为何生物学需要自己的海量数据集？

02. 摆脱无效数据：从观测性到因果性的关键一跃

03. Tahoe-100M：史上最大单细胞扰动数据集的诞生

04. 幕后技术：“马赛克平台”与“AI爬虫”的双重创新

05. 超越蛋白质：构建“虚拟细胞”的必要性与挑战

06. 开源的力量：加速整个领域的共同进步

07. “生物学的清晨”：一个属于勇敢者的新时代

01.

“ImageNet时刻”：为何生物学需要自己的海量数据集？

主持人： 恭喜团队发布了Tahoe-100M！可以解释一下，为什么说这是一个堪比“ImageNet”的时刻？

Patrick Hsu (Arc Institute): 在人工智能的发展史上，革命性的突破往往由标志性的数据集引爆。2009年李飞飞教授团队的ImageNet，就为机器视觉带来了非线性的飞跃。我们相信，生物学也正处于这样一个时刻。过去我们聚焦于蛋白质层面，但要真正理解健康与疾病，我们必须将模型的能力提升到细胞层面。

Dave (Arc Institute): 是的，我们需要一个能激发细胞产生多样化反应的数据集，而这正是Tahoe-100M的核心价值。它不仅仅是数据的堆砌，更是希望通过它来驱动整个领域，让机器能够学习细胞的语言和行为逻辑，这正是我们发起Arc虚拟细胞图谱（Arc Virtual Cell Atlas）的初衷。

02.

摆脱无效数据：从观测性到因果性的关键一跃

主持人： 过去生物学也积累了大量数据，它们的问题出在哪里？

Nema Alidoust (Vevo Therapeutics): 过去的数据存在两个核心问题。第一，绝大多数是观测性的。它们告诉你健康组织里有什么，但无法解释基因之间、药物与细胞之间的因果关系。第二，信息密度极低。我们曾用当时公开的6000万个细胞数据训练模型，但惊讶地发现，即使只用其中1%的数据，模型性能也几乎没有下降。这说明这些数据在很大程度上是冗余的，缺乏多样性。

Hy (Arc Institute): 正是如此。生物学研究需要从描述性的关联分析，走向因果推断。我们需要知道，当我施加一个扰动——无论是基因编辑还是药物——细胞会如何确切地反应。这才是构建预测性模型的关键。之前的公开扰动数据集总共加起来可能只有一两百万个数据点，而Tahoe-100M一次性就将这个数字提升了近百倍。

03.

Tahoe-100M：史上最大单细胞扰动数据集的诞生

主持人： 能否具体介绍一下Tahoe-100M这个数据集？

Johnny Yu (Vevo Therapeutics): Tahoe-100M是一个包含了1亿个单细胞数据点的庞大集合。我们使用了1200种不同的药物，对来自50种不同癌症患者模型的细胞进行了处理。它不仅在规模上是史无前例的，更重要的是，它几乎消除了困扰以往研究的“批次效应”。因为整个实验是由一个极小的核心团队在极短的时间内完成的，保证了数据的高度一致性和可比性。我们认为，这可能是第一个真正为机器学习量身打造的生物学数据集。

Dave (Arc Institute): 在拓扑学意义上，模型试图在高维空间中构建一个“流形”来描绘所有可能的细胞状态。为了让模型能探索并理解这个复杂的流形，它必须见到足够多、足够多样的扰动和响应。Tahoe-100M提供的正是这种前所未有的多样性，让模型有机会学习到更通用、更鲁棒的细胞行为规律。

04.

幕后技术：“马赛克平台”与“AI爬虫”的双重创新

主持人： 高效生成如此庞大的数据集，背后有什么技术创新吗？

Johnny Yu (Vevo Therapeutics): Vevo的核心创新之一是我们的“马赛克平台”（Mosaic platform）。传统的药物筛选一次只能针对一种癌症模型，效率低下。而我们的平台能将来自不同患者（例如肺癌、胰腺癌等）的癌细胞汇集到一个可重复培养的“马赛克肿瘤”中。这样一来，我们就能在同一个实验里，一次性测试数百种药物对数十种不同遗传背景的癌细胞的影响，实现了数据生成效率的指数级提升。

Dave (Arc Institute): 而在Arc，我们则开发了一个名为scBaseCamp的AI系统。你可以把它想象成生物学领域的“谷歌爬虫”。我们构建了一个AI代理，它能自动抓取、解析和标准化互联网上所有公开的单细胞测序数据。这项工作非常关键，因为过去的公开数据格式混乱、注释不一。通过这个AI代理，我们整理出了一个包含约2.3亿个细胞的观测性数据库，它与Tahoe-100M的扰动数据形成了完美的互补。

05.

超越蛋白质：构建“虚拟细胞”的必要性与挑战

主持人： 为什么说蛋白质模型（如AlphaFold）还不够，我们必须走向“虚拟细胞”？

Dave (Arc Institute): 这是一个关于抽象层次的问题。用一个计算机工程的比喻：DNA就像是细胞的ROM，编码了基础程序；而RNRNA则更像是RAM，它的表达水平会根据细胞所处的环境、压力、疾病状态而实时动态调整。我们构建“虚拟细胞”模型，本质上是在推断细胞的CPU——即细胞响应输入的运算逻辑。只有理解了这个CPU，我们才能反向求解：要让一个癌细胞恢复健康，我应该输入什么样的指令（药物或基因编辑）？

Hy (Arc Institute): 正是如此。我们需要研究生物学中更高层次的抽象。蛋白质是重要的分子机器，但它们的行为最终是在整个细胞的复杂网络中展现的。转录组（RNA的集合）为我们提供了一个完美的观测窗口，因为它能反映细胞对内外环境变化的综合响应。我们认为，这是当前模拟细胞行为最合适的抽象层次。

06.

开源的力量：加速整个领域的共同进步

主持人： Vevo是一家商业公司，为什么会决定将如此宝贵的数据集完全开源？

Nema Alidoust (Vevo Therapeutics): 这个决定是我们在项目启动后几小时内就做出的。首先，我们想为整个领域“立下一个新标杆”，推动大家摆脱百万级数据的思维定势，向着更大规模迈进。其次，Vevo的理念是保持一个精简的“超级明星”团队。通过开源，我们等于邀请了全世界最聪明的头脑来和我们一起探索这份数据，他们的反馈和发现，其价值远超我们自己雇佣一百个科学家。我们移除了最大的瓶颈——数据，从而团结了所有志同道合的人。

Dave (Arc Institute): 这与Arc的使命不谋而合。我们致力于推动开放、合作的科学。正是Vevo的开源精神，才促成了这次激动人心的合作。我们相信，只有将最优质的资源公之于众，才能最大限度地加速科学进步。

07.

“生物学的清晨”：一个属于勇敢者的新时代

主持人： 有了数据和模型，我们离AI驱动的疗法还有多远？如果类比GPT系列，我们现在处于哪个阶段？

Nema Alidoust (Vevo Therapeutics): 我想用一个有点里根风格的说法：现在是“生物学的清晨”（Morning in Bio）。一个新时代正在来临。我们必须摒弃过去那种缓慢、过度谨慎、假说驱动的研究模式。过去，因为实验昂贵，我们每一步都小心翼翼。但现在，测序成本、计算成本都已大幅下降，我们有能力、也应该更大胆地去探索，让数据给我们带来惊喜，而不是被人类的偏见所束缚。

Hani Goodarzi (Arc Institute): 如果进行类比，我认为在蛋白质模型领域，我们可能已经越过了GPT-3的阶段。但在单细胞和虚拟细胞模型领域，我们正处在从GPT-1迈向GPT-2的阶段。这是一个无比激动人心的时刻，因为这意味着巨大的潜力和清晰的成长路径就在眼前。

Patrick Hsu (Arc Institute): 当然，生物学的验证周期很长，90%的药物在临床试验中失败。但虚拟细胞模型将从根本上改变这一现状。它能帮助我们更精准地选择靶点，在投入巨大的临床资源前，就极大地提高成功的概率。这不仅仅是成本的节约，更是对整个药物发现范式的彻底重塑。我们正站在一个新范式的起点上。

文章来自于微信公众号“AI新药价值论”，作者是“Charles”。