3.5亿次基因扰动训练AI，信息量是此前公开数据的30倍

3.5亿次基因扰动——这个数字让整个AI制药圈子重新审视一个根本问题：我们到底是在用更聪明的算法解决问题，还是只是在解决数据本身的信息贫瘠？

Xaira Therapeutics在7月21日公布的一组实验揭示了一个教科书级的信息瓶颈案例：当训练一个31亿参数的基因表达预测模型时，测试损失在15亿参数后就进入平台期，而训练损失仍在下降。模型不是不够大，是数据里的信息已经耗尽了。继续堆参数和算力，只是在让模型更擅长记住训练集的噪声，而不是真正理解基因调控的因果逻辑。

主持这个项目的两位核心人物——刚刚升任首席发现官的Ci Chu和升任首席AI科学家的Bo Wang——选择了一条更昂贵、也更根本的路：不是去清洗或扩充已有的观测数据，而是直接去制造因果数据。他们主导的X-Atlas项目，用Perturb-seq技术（CRISPR基因编辑加单细胞测序）系统地敲除两万多个基因中的一个，然后测量每一次敲除后细胞内所有其他基因表达如何变化。用Bo Wang在播客里的话说：“我们是在赌信息密度才是AI驱动药物发现的关键。”

这个赌注的商业代价并不低。据估算，光是数据采集实验和基础设施就投入了数千万美元，算力、人员和研究再追加几百万。这种预算结构看起来更像是强化学习的探索式投入，而不是传统预训练那种靠爬取海量数据就能撑起来的范式。但回报也是显著的：X-Atlas生成了约3.5亿次扰动观测，比此前全世界所有公开Perturb-seq数据加起来还要多出30倍。这些数据覆盖了数千种遗传背景和多种细胞类型，让模型第一次有了学习“如果……会怎样”的因果推理能力，而不只是描述细胞快照的相关性。

在此之前，几乎所有的虚拟细胞模型都建立在一个叫做CELLxGENE的数据库上。这个由Chan Zuckerberg Initiative构建的数据库包含了1.68亿个细胞，每个细胞映射到2万至3万个基因的检测次数，再加上详细的元数据，整体构成一个约4万亿条目的矩阵。就像蛋白质数据库PDB解锁了结构生物学模型的爆发一样，CELLxGENE催生了一大批RNA表达模型，以至于RNA表达模型几乎成了虚拟细胞模型的代名词。Bo Wang此前开发的scGPT就是其中最有影响力的一个，也成了Xaira新模型的起点。

但问题在于，RNA表达模型擅长的是描述细胞类型和细胞状态之间的相关关系，而不是预测干预之后会发生什么。在真实的细胞里，基因表达的变化高度相关，观测数据无法区分是A基因推动了B基因的变化，还是B基因反过来影响了A，或者两者根本都是被第三个隐藏因素共同驱动。如果没有干预性的实验数据，任何基于观测的模型都只是在拟合一个由相关性编织的形状，而不是真正在模拟细胞的因果结构。

X-Atlas的应对逻辑非常直接：既然无法从静态快照里推断因果关系，那就一个一个地去拨动基因的开关，观察整个网络如何响应。他们用CRISPR敲除单个基因，然后测量全基因组范围内数千个基因的表达变化，相当于为每个基因绘制了一张功能图谱。当这个实验重复在两万个基因、在数千个不同遗传背景的细胞中进行后，一共积累了约3.5亿次扰动观测。基于这些数据，他们训练了一个45亿参数的Transformer模型X-Cell。与仅仅使用公开数据集训练的模型相比，X-Cell在预测未曾见过的基因扰动效果时，误差降低了80%。

这80%的差距不只体现在测试集上，而是反映在整个虚拟细胞研究范式的转变上。传统的RNA表达模型即使参数再多，面对一个从未见过的基因敲除实验，预测结果往往像在掷骰子——因为观测数据里根本没有包含这个因果变化的信息。而X-Cell可以告诉你：在特定的遗传背景下，关闭某个基因，哪些基因会跟着沉默，哪些会反常激活，哪些通路会被重新布线。

一个标志性的发现是全基因组功能图谱中关于RE1沉默转录因子（REST）的案例。X-Atlas团队发现，在几千种不同的遗传背景中，敲除REST基因会使阿尔茨海默病风险基因APOE以及其他几个相关基因的表达水平显著下降。更重要的是，这个效应并不是在所有遗传背景下都会出现，它只在特定的基因变异组合里才成立。这意味着APOE的表达可能被REST以一种此前未被认识的方式调控，而且这种调控关系高度依赖个体的遗传背景。对于药物研发来说，这个信息意味着：即使是针对同一个靶点，不同的患者亚群可能会产生完全不同的反应，而这一切无法从观测数据中推出来，只能靠系统性的因果扰动实验来揭示。

另一个发现指向了铁死亡——一种近年来在癌症治疗中备受关注的受调控细胞死亡形式。团队筛选了约80种不同细胞系对GPX4基因敲除的反应，观察到三种截然不同的生存情况：敏感、耐药和高度耐药。在高度耐药的细胞中，他们发现了一个此前从未被报道过的基因ZNF516。当GPX4被敲除，这些细胞会上调ZNF516的表达，从而绕过铁死亡通路，顽强地存活下来。这个发现来自X-Atlas对两万基因扰动后表达变化的全局扫描，而不是传统的逐条通路假设验证。它为新靶点的发现提供了一种完全不同的逻辑：不是先猜哪个基因重要再去验证，而是让数据自己告诉你，在扰动之后哪些基因的响应最反常、最有启发性。

这两处发现共同指向同一个结论：在细胞生物学这样高度复杂的系统里，若不引入主动干预，仅靠被动观测，模型将永远被锁定在相关性的层面。而基于大规模因果数据训练的模型，可以开始回答药物研发中最关键的问题——如果我改变这个基因，细胞会发生什么？这在靶点发现、脱靶毒性预测和患者分层上的商业价值不言而喻。

Xaira对这件事的战略定位，从人事安排上就看得出来。Ci Chu被提拔为首席发现官，统管从靶点识别到先导化合物优化的整个发现链条；Bo Wang则成为首席AI科学家，主导AI平台的构建与迭代。这两个任命并不是常规的职级晋升，它传递的信号是：Xaira把因果数据驱动的AI模型放在了整个药物发现流程的中心，而不是把它当作一个辅助工具来用。

这种战略赌注的底气，来自一个简单但被普遍忽视的事实：药物开发失败率居高不下的核心原因，往往不是缺少候选分子，而是选错了靶点。观测数据可以告诉我们某个基因在疾病状态中表达异常，但它无法告诉我们抑制这个基因是否真的能逆转病理过程。X-Atlas所做的事，就是用3.5亿次基因扰动实验，把相关性地图升级成因果性地图。这张地图覆盖了两万个人类基因在数千种遗传背景下敲除后的转录组反应，成为AI模型进行因果推理的训练场。传统方法需要数个月的靶点验证实验，现在可以在计算机里先预演一遍。

当然，X-Cell和X-Atlas并不能替代湿实验，它们提供的是对复杂生物系统更精准的先验知识。当一个模型在模拟敲除某个基因时预测到下游分子网络的一系列连锁反应，并且这些预测在后续的湿实验验证中反复被证实，它就逐渐积累了可信任的因果推理能力。这种从“模拟—验证—再训练”的闭环，正在把AI药物发现从模式识别推向真正的机制推理。

这也是为什么Xaira愿意在数据上投入如此重注——赌的不是某一个模型或某一个靶点，而是一种新的研发基础设施。一旦这种因果数据的基础设施建好，后续的靶点发现、适应证扩展、联合用药策略推导，都将获得指数级的效率提升。这个逻辑与自动驾驶汽车依靠采集真实驾驶数据来训练决策模型如出一辙：没有足够丰富的干预性数据，模型就永远停留在倒车入库的模拟水平，无法应对真实世界的复杂性。

对于整个AI制药行业而言，X-Atlas的价值在于它为“因果发现”提供了一个标准化的操作框架。过去，学术界和工业界积累的Perturb-seq数据总量约为1200万次扰动观测，分散在不同实验室、不同细胞类型、不同实验条件下，标准不统一，难以联合训练。X-Atlas用一整套标准化的实验和计算流程，将数据量提升了30倍，并保证了数据质量和同质性。这让训练一个真正能理解因果逻辑的大规模模型成为可能。

未来，随着更多细胞类型和扰动条件的加入，这张因果地图的覆盖范围和分辨率还会继续提升。Xaira已经表示，X-Atlas的数据和模型将以开源形式向