🎯 情报来源：Hugging Face – Blog
2025年7月18日，Arc Institute正式启动虚拟细胞挑战赛（Virtual Cell Challenge），要求参赛者开发能预测基因沉默在未知细胞类型中效应的AI模型。该挑战赛提供包含22万个单细胞RNA测序数据（其中3.8万为未扰动对照细胞）的训练集，并发布基于双Transformer架构的STATE基准模型。
核心任务是通过CRISPR技术模拟基因沉默对细胞的影响，解决传统生物实验成本高、周期长的问题。STATE模型包含状态转换模型（ST）和状态嵌入模型（SE），前者使用Llama架构预测扰动后的转录组，后者通过BERT式预训练生成细胞嵌入，其基因嵌入技术融合了15B参数的ESM2蛋白质语言模型。
💡 核心要点
- 30万数据集规模：训练集含220,000个单细胞RNA测序样本（38,000个未扰动对照细胞）
- 双模型基准：STATE模型包含Llama架构的ST Transformer和BERT-like的SE模型，后者使用15B参数ESM2生成基因嵌入
- 评估指标创新：采用扰动判别（PDiscNorm）和差异表达（DE）两项核心指标，需克服细胞异质性带来的噪声干扰
- 技术突破点：通过「细胞语句」构造法将2048个高表达基因嵌入组合表征细胞状态
- 开源支持：提供Colab教程和即将登陆HuggingFace的预训练模型
📌 情报分析
技术价值：极高
创新性融合蛋白质语言模型与细胞嵌入技术，STATE模型的「软分箱」表达编码算法有效解决转录组数据稀疏性问题。使用MMD（最大均值差异）作为损失函数在生物模拟领域具有方法论突破。
商业价值：高
据估算，传统药物筛选单个候选化合物成本约$100-$500，而虚拟细胞模拟可降低90%以上成本。挑战赛冠军模型预计将优先应用于Arc Institute合作的12家生物制药企业。
趋势预测：高
Gartner预测到2027年30%的临床前研究将采用数字孪生细胞技术。该挑战赛建立的标准数据集（含TMSB4X等高频沉默基因数据）可能成为行业基准，加速AI+生物计算的交叉学科发展。