公开扰动数据几乎全部来自细胞系。疾病发生在有免疫、基质与三维结构的组织里。要做能用于真实疾病的虚拟细胞，扰动得在真实组织中做。
虚拟细胞（virtual cell）模型的能力上限，取决于训练数据的生物背景。当前主流公开扰动数据以细胞系为背景：Virtual Cell Challenge 2026 的扰动数据来自 6 个组织来源的细胞系，缺免疫细胞、基质细胞与组织结构。要预测真实疾病组织里的干预反应，训练数据须含临床原代细胞扰动与动物体内扰动两类。君录生物医药提供这两类数据的获取、扰动实验设计与标准化链路。
过去三年，虚拟细胞领域的绝大多数进展集中在模型结构上。但两组证据说明，制约已经移到别处。
Ahlmann-Eltze、Huber 与 Anders 在 Nature Methods（2025;22:1657–1661）的系统评测显示，在所评估的单基因与双基因扰动任务上，多种深度学习方法并未稳定超过刻意保持简单的线性/加性基线。他们给出的解释不是"深度模型不行"，而是当时的评测数据里，扰动效应的主要部分接近加性预期，可供复杂模型捕捉的非加性交互信号本来就少。
模型的结构复杂度不会凭空造出数据里不存在的信号。
Virtual Cell Challenge 2025 年提出"虚拟细胞的图灵测试"（Cell 2025;188:3370–3374）；2026 年进一步把零样本泛化正式作为考点——模型必须在未见过的细胞环境中预测未见过的扰动响应（Cell 2026;189:5827–5830）。赛事用 CRISPRi 在 6 个不同组织来源的细胞系中构建扰动数据，其中 3 个保留给最终测试集。
制约既然到了数据这一层，接下来要回答的是：训练用的扰动数据要满足什么。
能被模型训练、能被别人独立复核的扰动数据，条件比一般单细胞数据多。这些条件只是当前主流水平的下限。
一般单细胞项目看细胞类型分得开、标记基因对得上。训练虚拟细胞模型另有三处硬指标。
细胞数量。统计单位是一个靶点配一种细胞背景。每靶点低于 50 个细胞，这条靶点在效应矩阵上就是缺口；核心靶点要 150 个以上。缺口不能靠合并批次补，批次差异会把效应读成噪声。
敲低验证。判据是靶基因自身表达相对匹配对照的 log2FC，以及对应的敲低比例。文库设计上的靶向效率不算实测，模型估算也不算。对照须同批、同供体。
测序深度。每细胞 UMI 总数中位数 20,000，检出基因数中位数 3,000；常见单细胞质控线设在检出基因 500 到 1,000。深度不足时，低表达基因的效应读不出来，而这些基因往往正是靶点。
这三条是下限。2025 年首届虚拟细胞挑战赛的数据集为约 30 万细胞、300 个 CRISPRi 扰动，每细胞超过 50,000 UMI、每扰动约 1,000 个细胞，量级已高于这三条。赛事复盘仍承认，扰动预测尚未在所有指标上稳定超过简单基线。
2026 年该赛改为跨六个细胞系、零样本预测，且不提供训练集。Arc Institute 的 STATE 模型训练用了一亿以上扰动细胞。理想训练数据要跨多种细胞情境、覆盖多个模态，规模在百万至亿级。
| 维度 | 要求 | 为什么 |
|---|---|---|
| 样本来源 | 新鲜临床组织，可关联病理诊断、用药与随访 | 没有临床锚点，扰动效应无法解释为疾病相关 |
| 对照设计 | 同一供体、同一批次的未扰动对照，而非跨批次对照 | 原代细胞的批次变异大于扰动效应，跨批对照会把它读成生物学差异 |
| 递送与编辑 | 按组织类型优化递送方案，报告实际编辑效率 | 效率低时"未检出变化"无法区分"无效应"与"未敲掉" |
| 供体结构 | 多供体，且供体作为统计单位而非细胞 | 细胞数不能替代供体数，否则显著性来自技术重复 |
| 读出层次 | 转录组为主，条件允许时叠加染色质可及性或空间信息 | 单一模态无法区分直接调控与下游连带 |
| 标准化 | 批次、供体、测序深度作为协变量显式建模 | 否则模型学到的是批次标签 |
| 可复现 | 保留原始数据、代码、参数与版本 | 这是被独立复核的前提 |
从一批临床样本到一份可训练数据集，中间每一步由我们承接。
| 环节 | 内容 | 交付物 |
|---|---|---|
| ① 方案设计 | 根据研究目标确定扰动策略、靶点清单、对照结构与样本量 | 实验设计书（含样本量测算依据） |
| ② 样本与前置 | 临床样本获取路径、伦理与知情同意的合规衔接、样本 QC | 样本流转与质控记录 |
| ③ 扰动实验 | 递送方案优化、编辑效率验证、文库构建与测序 | 原始测序数据 + 效率报告 |
| ④ 数据分析 | 质控、编辑效率校正、扰动效应量估计、供体间可重复性 | 扰动效应矩阵 + QC 报告 |
| ⑤ 资产化 | 标准化为可训练格式，附字段说明、批次结构与划分建议 | 可训练数据集 + 数据字典 |
| ⑥ 基线对照 | 与线性/加性基线的同台比较，给出模型是否值得引入的判断 | 基线对拍报告 |
各环节周期、样本量与费用按项目形态评估。把样本来源、可供样本量与目标扰动数量告诉我们，首轮沟通即可给出可行性判断与周期预估。
取决于目标。若目标是预测未见过的干预在特定细胞环境中的响应，必须有该环境下的实测扰动数据作为锚点；若只做细胞类型注释、状态描述或差异表达，常规单细胞转录组即可，不必做扰动测序。
当前主流公开扰动数据以细胞系为背景构建——例如 Virtual Cell Challenge 2026 的扰动数据来自 6 个不同组织来源的细胞系。细胞系缺少免疫细胞、基质细胞与三维组织结构，疾病相关的微环境信号无法在其中复现，在其上训练出的规律迁移到病人组织时存在系统性偏差。
按靶点计，每靶点配一种细胞背景不低于 50 个细胞，核心靶点 150 个以上。2025 年首届虚拟细胞挑战赛的数据集为每扰动约 1,000 个细胞，量级高于这条下限。
至少看三件事：其一，与匹配的未扰动对照相比，扰动效应量是否显著超出技术重复波动；其二，在不同供体间是否可重复；其三，模型在该数据上的表现能否稳定超过线性或加性基线。近年多项评测显示深度模型尚未稳定优于简单基线，基线对照不可省略。