當 ChatGPT 通過大規模預訓練學會生成自然語言時一個更讓人好奇的問題擺在生物信息學者面前我們能不能構建一個“細胞版大模型”給定一個細胞的基因表達狀態再給定一種從未見過的藥物分子就能預測這個細胞在藥物作用下會走向增殖、凋亡還是耐藥這個想法聽上去很科幻但它正是“虛擬細胞Virtual Cell”研究想要回答的問題。關于虛擬細胞不同團隊有過不同的定義。有人強調“器官級數字孿生”有人強調“高精度分子模擬”也有人把它等同于“把已知的生物通路全部寫進計算機模型”。但最近一篇發表在 Nature Machine Intelligence 上的研究把視角拉回到一個非常具體、也非常難的任務上未知藥物的單細胞響應預測。這篇論文的核心是提出一個新的框架目標是讓模型在面對訓練階段根本沒有見過的藥物時仍然能夠比較可靠地預測單細胞層面的轉錄組響應。這篇文章不打算只復述論文摘要。我會從“為什么這個任務很難”“虛擬細胞框架到底要解決什么問題”“這類框架通常會有哪些核心模塊”“你如果自己想做這個方向應該怎么設計實驗、評估結果、避開哪些坑”幾個層面展開。也就是說比起“這篇論文很厲害”我更想講清楚它厲害在哪一步以及作為技術人你能從這套思路里拿到什么可遷移的東西。這個主題有一個特別值得注意的背景單細胞測序技術已經在過去十年積累了海量數據但數據的“可解釋利用”遠沒有跟上“數據產出”的速度。原因很簡單測序給我們的是一張又一張靜態快照而藥物響應本質上是動態的、多細胞協作的、涉及大量基因調控變化的過程。要讓模型學習這種復雜映射單靠傳統統計方法根本不夠必須把深度學習、圖神經網絡、預訓練表征、遷移學習這些技術整合到一起。這正是“框架”這兩個字的真正價值所在。1. 這篇文章真正要解決的問題先問一個最直接的問題為什么要花這么大力氣去預測“未知藥物”對單細胞的響應如果你做過藥物篩選或藥理學相關研究應該知道傳統路線的成本有多高。一個候選化合物進入細胞實驗之前通常要經過靶點預測、體外活性篩選、劑量反應測試等步驟每一步都要消耗大量的樣本、時間和試劑。更麻煩的是很多新藥分子在合成出來之后我們只知道它的化學結構并不清楚它在真實細胞里會激活哪條通路、殺傷哪類細胞、產生什么樣的毒性。如果能在實驗前用計算模型給出一個“預測細胞響應排序”就能顯著縮小實驗驗證的范圍。但這里的難點是“未知藥物”。大部分已有的預測模型采用的是“記憶式”策略訓練時見過某幾種藥物測試時也只在這幾種藥物上評估。這種做法在真實藥物研發中很難用因為新藥的結構往往不在訓練集里。分子可以有無數種組合變化模型如果不能對未見過的分子做外推那預測能力就只剩下一張漂亮但無用的排行榜。另一個痛點來自單細胞數據本身。單細胞轉錄組數據有強烈的技術噪聲、批次效應、測序深度差異并且表達矩陣稀疏性很高。同樣是藥物處理不同細胞類型可能給出完全相反的反應同一個癌細胞株里有一部分亞群會凋亡另一部分亞群反而會上調耐藥基因。如果把所有細胞混在一起求平均等于把最關鍵的信息抹掉了。所以只有“單細胞”級別的預測才能真正反映腫瘤異質性和藥物敏感性的復雜關系。因此這篇論文被關注核心原因不是它堆了多少層網絡而是它把研究問題定義得很清晰構建一個可泛化的、能響應“未知藥物輸入”的單細胞預測框架。這個定義本身就是對虛擬細胞研究的一次收斂從“我們要做很大的虛擬細胞”變成“我們先把其中一個真正有價值、也可驗證的子問題做扎實”。2. 虛擬細胞是什么為什么現在能談“虛擬細胞”不是某個具體軟件而是一類計算建模目標的統稱。它的終極形態可以描述為用分子層面的數據構建一個細胞的計算模型使得輸入某個初始狀態和外部擾動就能預測細胞的后續狀態變化?？梢园阉惐瘸商鞖忸A報。氣象學家不需要控制每一顆空氣分子而是把大氣離散成網格用物理方程擬合空氣、水汽、溫度的演化規律從而預報天氣。虛擬細胞的邏輯類似把細胞離散成基因調控網絡、代謝通路、表觀修飾等可計算的模塊用數據驅動的方式擬合“細胞狀態”的演進。過去幾十年生物學界對細胞行為的建模主要依賴兩類方法一類是機制模型mechanistic model比如把某個信號通路用常微分方程描述。這種模型可解釋性強但需要大量人工設定的參數而且只覆蓋特定通路很難擴展到全基因組范圍。另一類是統計模型和機器學習模型比如用傳統分類器根據基因表達區分藥物處理組和對照組。這類模型能做預測但往往只是黑箱打分缺乏對細胞狀態內部變化的深層理解。虛擬細胞路線真正興起得益于三個條件同時成熟單細胞多組學技術讓“細胞狀態”可以被高分辨率觀測深度學習框架讓高維稀疏數據建模成為可操作工程大規模預訓練模型讓大家相信“底層規律可以從數據中涌現”。換句話說現在談虛擬細胞不是單純的理論升級而是技術工具鏈剛好走到了這一步?！疤摂M細胞”和“單細胞響應預測框架”的關系可以這樣理解前者是長期藍圖后者是藍圖里一塊必須落地的地基。真正的虛擬細胞應該能回答一系列問題包括轉錄調控、代謝變化、細胞通訊、空間組織、擾動響應等等。而“藥物擾動后細胞會怎么變”是其中最貼近實際應用、也最容易用數據驗證的一個子任務。把這個問題解決清楚虛擬細胞才不是一個空泛口號。3. 單細胞響應預測的技術難點做這類任務第一反應可能是直接用神經網絡擬合藥物分子和基因表達之間的映射不就行了但實際操作時會遇到一系列非常具體的技術障礙。3.1 藥物如何表示藥物分子不能直接喂進神經網絡必須轉成計算模型能理解的表示。常見方案包括分子指紋、分子圖、SMILES 字符串等。分子指紋把結構轉成固定長度的 0/1 向量簡單但丟失拓撲信息分子圖保留原子和化學鍵的連接關系適合圖神經網絡處理SMILES 字符串可以借助文本模型學習語言式表征。不同表示方式直接影響模型對“未知藥物”的泛化能力。有的框架采用多模態特征融合讓模型同時從多個表示中學習這也是近期比較被認可的工程方向。3.2 細胞狀態的表示單細胞轉錄組數據經過質量控制、標準化、對數變換后會形成一個“細胞 × 基因”的矩陣。這個矩陣動輒數萬基因但大多數基因在單個細胞里并不表達造成高度稀疏。一個模型如果想要理解細胞狀態通常需要先做一個降維或特征提取步驟要么用 PCA、要么用自編碼器要么用目前很火的單細胞基礎模型把基因表達映射成細胞嵌入。問題在于不同數據集之間因為協議、實驗室、樣本來源不同會有嚴重批次效應如果不做整合模型很容易學到“哪個樣本來的”而不是“藥物處理導致的差異”。3.3 響應的定義和標簽很多公開數據集只包含處理組和對照組并沒有“每個基因應該變化多少”的標準答案。常見做法是用對照組作為基線計算處理組的差異表達基因然后把預測目標定義為“基因表達的變化量”或“是否顯著變化”。這聽起來簡單但處理組和對照組通常不是同一批細胞批次效應會混入差異信號。更嚴格的設計是使用同一細胞系的配對數據或者加入對照樣本作為條件輸入讓模型顯式學習藥物擾動帶來的增量。3.4 未知藥物的外推這是整個任務最難、也是最有價值的地方。訓練集中有 100 種藥物測試集中出現 5 種從未見過的新藥模型看到的是完全陌生的分子結構。它不能靠記憶答案必須學到“分子結構特征與細胞狀態變化之間的底層規律”。這樣跨分布泛化能力本質上是對模型表征學習能力的考驗也直接關系到框架是否有實用價值。4. 這個新框架的核心設計思路從題目和這類方法的一般設計邏輯推斷該框架至少會包含幾個關鍵模塊單細胞基礎模型、藥物表示模塊、擾動條件生成模塊、評估與校準模塊。這是一種很典型的“虛擬細胞”框架架構每個模塊解決一個具體問題。4.1 單細胞基礎模型先學會讀懂細胞要讓框架理解未知藥物的響應第一步不是預測而是先讓模型知道“一個細胞正常狀態下長什么樣”。這通常通過大規模預訓練實現用大量無標簽單細胞轉錄組數據訓練一個自編碼器或掩碼語言模型讓模型學習基因之間的共表達模式、細胞類型之間的差異、以及不同狀態下細胞嵌入的分布規律。這個預訓練步驟非常關鍵。它相當于給框架建立一套“細胞語言模型”。有了這套語言模型后續預測藥物響應時模型不是從零開始而是在已經理解細胞基本語法的基礎上學習“藥物擾動”這個特殊語法。單細胞基礎模型近兩年發展很快有基于 Transformer 的也有基于圖神經網絡的還有用擴散模型做生成式建模的。無論具體結構如何目標都是一致的把高維稀疏基因表達變成低維、稠密、有生物學意義的細胞嵌入。4.2 藥物分子表征模塊讓模型理解化學藥物分子表征模塊負責把化學結構轉成模型可以處理的向量。對于預測響應的框架來說這個模塊與生物模塊必須形成聯合特征空間否則就會出現“化學特征學得好但細胞響應預測不準”的割裂問題。高質量的藥物表征通常需要結合多個學科知識化學結構決定分子性質、拓撲結構影響靶點結合、物理化學性質決定吸收分布代謝等參數。因此一個負責任的框架不會只用一種藥物特征而是讓模型在不同特征之間做注意力融合或對比學習幫助模型在訓練中學會關注與細胞響應最相關的化學信息。4.3 擾動條件生成模塊預測“會發生什么”在拿到細胞狀態嵌入和藥物分子表征之后核心預測模塊就要工作了。它需要輸出一個“未來的細胞狀態”嵌入或者直接輸出基因表達變化量。如果框架采用生成式路線它會用條件變分自編碼器或擴散模型在給定條件下采樣可能的響應分布如果采用判別式路線它會直接預測差異表達基因集合或基因表達變化均值。條件生成的價值在于它能夠表達“不確定性”。同一個藥物作用于同一個基因背景下的細胞結果也不是單一的有些細胞會響應有些不響應有些走向不同命運。輸出一個分布比輸出一個點估計更符合生物學現實。4.4 評估與校準模塊確保預測可信虛擬細胞框架如果沒有一套嚴格評估流程很容易變成“自我感覺良好的花架子”。新框架大概率會在評估上花大量心思尤其強調“未知藥物”的測試協議訓練集與測試集的藥物結構不能高度相似最好用骨架聚類來劃分評估指標要兼顧預測精度、排序能力和不確定性校準。這樣就避免模型通過化學相似性“間接記憶”測試集藥物。這種模塊化設計值得每一個想進入這個領域的人借鑒。不要一上來就追求一個端到端的大黑箱而是把任務拆成“理解細胞”“理解藥物”“學習擾動規律”“驗證預測可信度”四個子問題每個子問題獨立設計、獨立評估最后再通過聯合訓練串起來。這種做法在工程上也更可控。5. 一個可以落地的框架原型思路如果你被這套想法吸引也想在自己的數據上做實驗下面給出一個通用最小實現思路。這些代碼不是原論文復現而是把“單細胞響應預測框架”的常見流程拆成可運行的結構方便你理解工程實現要點。5.1 環境準備與依賴工作環境建議使用 Python 3.9 以上版本核心依賴包括pip install scanpy anndata scikit-learn torch pytorch-lightning版本不寫死因為各項目環境差異較大。scanpy用于單細胞數據讀取和預處理anndata管理數據結構torch和pytorch-lightning負責模型訓練。如果要用 Transformer 或圖神經網絡再按需安裝對應擴展庫即可。5.2 單細胞數據預處理先做標準化、篩選高變基因、批次整合再劃分訓練集和測試集。注意劃分單位是“藥物”不是“細胞”否則會導致嚴重的數據泄漏讓模型看似很強大、實則在作弊。import scanpy as sc import numpy as np from sklearn.model_selection import GroupShuffleSplit # 讀取 h5ad 格式的單細胞數據 adata sc.read_h5ad(your_single_cell_dataset.h5ad) # 基礎質量控制和預處理 sc.pp.filter_cells(adata, min_genes200) sc.pp.filter_genes(adata, min_cells3) sc.pp.normalize_total(adata, target_sum1e4) sc.pp.log1p(adata) # 篩選高變基因保留用于模型的輸入特征 sc.pp.highly_variable_genes(adata, n_top_genes2000, flavorseurat_v3) adata adata[:, adata.var[highly_variable]] # 按藥物分組劃分數據訓練集藥物與測試集藥物完全不相交 splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, test_idx next(splitter.split(adata.X, groupsadata.obs[drug_id])) train_adata adata[train_idx].copy() test_adata adata[test_idx].copy()這一步有兩點需要特別強調第一drug_id必須是藥物唯一標識不包含濃度、批次等信息第二劃分之后需要檢查訓練集和測試集藥物是否有結構重疊如果兩個藥物骨架非常相似測試評估的可信度會降低。5.3 構建藥物特征與細胞特征融合模型下面這個示例展示一個非常簡化的預測模型輸入是一個藥物的 Morgan 指紋向量和一個細胞的基因表達向量輸出是該細胞在藥物處理后的基因表達變化量預測。實際框架里細胞基因表達往往會先經過預訓練的單細胞基礎模型轉成低維嵌入這里為了演示直接用高變基因表達作為輸入。import torch import torch.nn as nn class SingleCellDrugResponsePredictor(nn.Module): def __init__(self, cell_dim, drug_dim, hidden_dim256): super().__init__() # 細胞表達編碼器 self.cell_encoder nn.Sequential( nn.Linear(cell_dim, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), ) # 藥物特征編碼器 self.drug_encoder nn.Sequential( nn.Linear(drug_dim, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), ) # 融合后預測基因表達變化量 self.predictor nn.Sequential( nn.Linear(hidden_dim * 2, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, cell_dim), ) def forward(self, cell_expr, drug_fp): cell_h self.cell_encoder(cell_expr) drug_h self.drug_encoder(drug_fp) fused torch.cat([cell_h, drug_h], dim-1) return self.predictor(fused)模型結構本身不復雜真正重要的是訓練時如何處理響應標簽。響應標簽可以定義為“藥物處理組的平均表達 - 對照組平均表達”也可以定義為配對樣本的差異。用配對數據時要注意同一個藥物、同一個細胞系的處理組和對照組才能這樣算否則差異信號里會混入批次噪聲。5.4 訓練與評估流程import pytorch_lightning as pl import torch.nn.functional as F from torch.utils.data import DataLoader, TensorDataset class LitResponsePredictor(pl.LightningModule): def __init__(self, model, lr1e-3): super().__init__() self.model model self.lr lr def training_step(self, batch, batch_idx): cell_expr, drug_fp, target batch pred self.model(cell_expr, drug_fp) loss F.mse_loss(pred, target) self.log(train_loss, loss) return loss def validation_step(self, batch, batch_idx): cell_expr, drug_fp, target batch pred self.model(cell_expr, drug_fp) loss F.mse_loss(pred, target) self.log(val_loss, loss) return loss def configure_optimizers(self): return torch.optim.Adam(self.model.parameters(), lrself.lr)評估不能只看整體 MSE還要分維度看已知藥物上的表現、未知藥物上的表現、不同細胞類型上的表現、對高頻基因和低頻基因的表現。一個只對已知藥物有效、對未知藥物失效的框架在這個任務里沒有實際價值。合理的評估協議應該是主結果直接在未知藥物測試集上報告再對比已知藥物的結果差異這個差異也能反映模型的泛化能力。5.5 配置管理與實驗記錄實驗配置建議使用 YAML 文件把數據路徑、超參數、模型結構、訓練策略這些都沉淀下來方便復現與協作。data: path: your_single_cell_dataset.h5ad cell_feature_dim: 2000 drug_feature: morgan_fingerprint drug_dim: 1024 test_ratio: 0.2 model: hidden_dim: 256 dropout: 0.1 train: batch_size: 128 max_epochs: 50 learning_rate: 0.001 gpu: 1 evaluation: metrics: [mse, pearson, spearman] split_by: drug_id這種配置文件看似簡單卻能在團隊協作和論文復現中省下大量時間。很多項目跑不出好結果不是因為模型不行而是因為實驗記錄混亂不確定超參數和數據版本。6. 如何評估一個虛擬細胞框架好不好評估標準這件事看起來只是技術細節但實際上決定了整個領域的研究質量。一個框架如果宣稱“預測藥物響應很準”你首先要問它是怎么劃分訓練集和測試集的當前比較合理的評估層級可以分成三層。第一層是“已知藥物可復現”。測試集里的藥物在訓練集中出現過模型只需要記憶藥物與細胞響應的映射關系就能做到不錯的效果。這層評估主要驗證模型是否有足夠的擬合能力不能說明泛化能力。第二層是“未知藥物可泛化”。測試集藥物與訓練集藥物在分子結構上有一定差異模型必須利用分子表征來推斷。這個難度明顯更高也是最接近真實藥物研發場景的評估方式。從當前領域進展來看已有的公開方法對這個層級的預測能力還在持續提升中距離完美外推還有很大差距。第三層是“跨數據集、跨平臺可遷移”。在 A 實驗室的數據上訓練到 B 實驗室的獨立數據集上測試。這是對框架魯棒性最嚴格的檢驗也是最容易被忽視的。單細胞數據批次效應嚴重如果框架在這個層級上仍然保持較強預測能力說明它學到的可能真的是生物學規律而不是數據集里的偽相關信號。評估指標方面任務不同會有差異?；貧w任務常用 Pearson 相關系數和 Spearman 相關系數看預測基因變化量與真實變化量的相關程度分類任務常用 AUROC 和 PR-AUC看區分“響應/不響應”的能力。近年越來越多論文強調“不確定性校準”希望模型在輸出預測時同時告訴研究者“這個預測我有多大把握”。對于實際實驗驗證來說一個經過良好校準的不確定性分數往往比點到平均值的精確預測更有指導價值。對讀者來說看到論文時不要被大詞匯迷惑先看評估協議。如果一張圖表只展示了已知藥物上的表現那只能說明模型有學習能力不能說明它解決了未知藥物預測問題如果模型在結構和生物機制上都沒有任何可解釋的輸出那它作為“虛擬細胞”的說法也要打折扣。7. 常見問題與排查方法在你的實際復現和實驗過程中大概率會遇到下面這些問題。這里整理一個簡要的排查表。問題現象可能原因排查方式解決方案模型在訓練集上預測很準測試集上效果崩盤數據劃分時不按藥物分組造成數據泄漏檢查測試集訓練集的藥物是否有重疊嚴格按藥物 ID 分組劃分使用 scaffold 聚類確保分子結構差異未知藥物表現遠低于已知藥物模型過于依賴記憶沒有學到化學結構與響應的關系對比已知/未知藥物分組結果查看模型是否主要依賴細胞特征引入預訓練藥物表征使用對比學習約束藥物特征與細胞響應對齊預測結果充滿隨機噪聲重復運行差異大單細胞測序數據批次效應嚴重標簽本身噪聲大按批次可視化樣本分布檢查對照組與處理組的均值差異增加批次整合步驟使用配對樣本計算響應標簽訓練時啟用固定隨機種子模型輸出接近均值無法捕捉不同細胞的異質性模型容量不足或訓練標簽被過度平均化查看每個細胞預測值的方差檢查損失曲線增加模型容量引入條件生成模型或者在特征層加入細胞類型信息預處理后基因數量非常大訓練速度極慢沒有做高變基因篩選或特征選擇查看輸入維度檢查內存占用用highly_variable_genes降維或采用預訓練細胞嵌入替代原始表達復現論文時結果對不上數據版本、預處理流程、隨機種子不一致核對數據下載版本記錄每一步預處理參數建立完整的配置文件把數據版本、預處理步驟、模型超參數全部固定下來這些問題里最隱蔽的是數據泄漏。許多看起來效果拔群的模型最后被發現在數據劃分上把同一個藥物的不同批次分別放進了訓練集和測試集導致模型表面上是“預測未知藥物”實際上是在“回憶同藥物的相似樣本”。這個問題在每個論文復現前都應該先檢查一遍。8. 工程實踐與科研建議如果你準備在團隊或實驗室里啟動“虛擬細胞”相關方向下面這些工程層面的建議非常值得注意。8.1 數據版本管理比模型結構更重要單細胞數據動輒幾十 GB預處理后還會產生多個中間版本。如果不用類似dvc或wandb這類工具管理數據版本和實驗記錄幾個月后你可能根本說不清某個模型是用哪份數據訓練出來的。建議從第一天開始就把“數據版本 預處理代碼 模型配置 實驗結果”綁定在一起這能極大減少無效返工。8.2 先跑通小規?；€再升級模型復雜度不要一上來就追求超大預訓練模型。建議先用一個簡單 MLP 或 GNN 在小規模數據上跑通全流程確保數據預處理、標簽構建、評估協議都是正確的再去升級基礎模型。這個道理在很多深度學習項目里都適用但在單細胞響應預測里尤其重要因為數據管線極長、坑點極多一旦出問題你很難判斷是數據問題還是模型問題。8.3 批次效應是最大的隱性風險單細胞轉錄組數據的批次效應往往比藥物響應信號本身更強。很多模型在訓練集上表現好、測試集上崩潰原因不是模型不夠強而是它把批次信息當成了響應信號。從工程角度建議在建模前先做批次整合可視化看看處理組和對照組是否能在 UMAP 上明顯區分區分方向是否符合生物學預期。如果處理組內部都分成多個小簇那大概率是批次效應主導了差異。8.4 生物可解釋性不是可選項虛擬細胞框架如果要真正服務藥物研發就不能只輸出一個數字。研究者需要知道模型關注了哪些基因這些基因是否落到了已知的信號通路里預測結果能否被已有的生物學知識解釋?？梢栽谀Ｐ椭屑尤胱⒁饬C制或者用 SHAP、集成梯度等方法分析模型輸入的重要性。如果某個藥物預測響應很強的基因集合全是未知功能基因那模型可能學到了某種新的生物學機制也可能是在擬合噪聲需要做實驗驗證才能判斷。8.5 算力資源要有梯度規劃單細胞數據規模大藥物響應框架通常需要多輪實驗。不是每一次實驗都要用最大模型、最大數據集。建議先做消融實驗用部分數據驗證某個模塊是否真的有幫助確認之后再擴展到全數據。這樣可以節省大量算力成本也讓實驗周期更可控。8.6 多團隊協作時的接口統一虛擬細胞是一個高度跨學科方向通常需要生物實驗團隊、生物信息團隊、算法團隊協作。團隊之間的數據格式、基因命名標準、藥物 ID 體系、標簽定義如果不統一會產生大量溝通成本。建議把數據接口定義成項目文檔的一部分例如統一使用 Ensembl ID 表示基因、使用 InChI Key 表示藥物分子避免因為命名不一致導致后續無法對齊。9. 總結與后續學習方向回到文章開頭的問題我們能不能構建一個“細胞版大模型”讓它預測未知藥物對單細胞的影響從這篇 Nature Machine Intelligence 研究看答案是“正在成為可能”但前提是必須把任務定義清楚、把評估協議設計嚴格、把工程實踐做扎實。這篇文章真正想表達的判斷是虛擬細胞的價值不在于短期內造出一個“完整細胞模擬器”而在于把細胞科學中的復雜問題轉化為可計算、可驗證、可迭代的框架。而“未知藥物單細胞響應預測”正是這個框架里最值得優先突破的方向之一。它既與真實藥物研發場景直接相關又不像“全細胞模擬”那樣遙不可及是一個既有挑戰、又能看到進展的好問題。如果你對這個方向感興趣下一步可以按這個順序自學第一熟悉單細胞轉錄組數據的讀取、預處理和可視化重點理解批次效應和數據劃分方法第二掌握藥物分子表征的常用手段建議從 Morgan 指紋和圖神經網絡開始第三閱讀近年單細胞基礎模型相關論文理解嵌入和預訓練思想如何應用在細胞數據上第四自己動手跑通一個最小預測流程再針對未知藥物泛化這個難點設計實驗、做多組對照。做這個方向很容易在一堆復雜模型和數據細節里迷失。但記住一條主線框架設計的目標始終是回答“如果給模型一種從未見過的藥物它能不能幫我們理解細胞會怎么反應”。所有模塊、數據和算力都是為這個目標服務的。建議把本文提到的評估協議、數據劃分原則、工程管理方案收藏起來。等你自己真的復現一個虛擬細胞模型時再回頭看這些問題會有完全不同的體會。