前 MSR 首席研究员刘海广的讲座。

# 背景

评价药物的效果：是否能调控细胞的状态。因此需要对细胞进行建模。

# Cell States

细胞是如何进行描述的？传统方法包括：

• 外观
• 位置
• 功能

在后基因组时代 (post-genomics era), 可以使用分子级别的视角观察，描述包括：

• 组学 (omics)
• 成像 (imaging)
• 功能 (function)
• 时空的方法 (spatio-temporal techniques)

目前来看，包括四个维度的描述（但是互相之间不是独立的）：

1. 环境 environment
2. 细胞组织 cell orgainzation
3. 细胞功能 cell function
4. 分子状态 molecular census

其中一者发生变化，也会造成其余的维度变化。

细胞在受到微扰后会回到原有状态，或者会进入新的稳态。（负反馈调节系统）那么细胞可以定义一个类似的 “势函数” 吗？

细胞可以映射在流形上。

# Molecules v.s. Cells

蛋白质的表示方式：

• 序列 sequence
• 结构 structure
• 动态变化 dynamics
• 交互 interactions

细胞的表示方式（类比）：

• 组成 composition
• 连通性 connectivity
• 状态转换 state transition
• 细胞通信 cellular communication

于是一个细胞的描述包括是 $C(\{m, n, r, i\})$.

• $m$: 组学信息，包括哪些
• $n$: 数量，每种包括多少
• $r$: 空间信息
• $i$: 网络知识

# 细胞的统一表示

做 AI virtual cell 时需要忽略一些细节。比如做蛋白质结构时候，最早会关注具体的 folding 方式，但是最后仅仅关注最终的预测结构。

# 数据

目前细胞的数据描述已经超过了训练 LLM 的语料数量，但是重复率略高。

目前有两个数据集，分别是 Tahoe-100M 和 scBaseCount.