AI+健康产业观察

OCOO-T 的三个基准:单细胞模型到底在比什么

2026 年 11 月,无界进化的 OCOO-T 在 Tahoe100M、Replogle、PBMC 三个单细胞扰动基准上取得 SOTA(据公开报道)。同一个「SOTA」,在三张不同的考卷上含义并不相同。本文只谈评测:三个基准各自测什么、SOTA 能证明到哪一步、基准本身又漏掉了什么。

OCOO-T 的三个基准:单细胞模型到底在比什么

一个细胞被敲掉一个基因,它会怎么变?所谓单细胞扰动,就是给单个细胞加一次干预——敲掉一个基因、加一种药——再看它的表达谱怎么变。过去,这个问题只能靠实验回答。

现在模型开始给出预测。据公开报道,OCOO-T 在 Tahoe100M、Replogle、PBMC 三个单细胞扰动基准上都拿到了 SOTA。

但「三个基准都 SOTA」这句话,信息量没有看上去那么大。要读懂它,得先看这三张卷子分别考什么。

一、Tahoe100M:考的是规模之下的泛化

Tahoe100M 的名字里写着量级:亿级细胞。

据该数据集的公开说明,它覆盖约 50 个肿瘤细胞系、1,100 余种药物扰动。两者相乘,理论组合在五万量级。

真正被测到的,只是其中一部分。剩下的空白,正是这张卷子想逼模型去填的地方。

模型不可能把每个「细胞系 × 药物」的组合都背下来。它必须在没见过的细胞背景上,预测扰动后的表达变化。

所以这张卷子考的是一种迁移能力:从见过的细胞系,推到没见过的细胞系。

泛化差距在这里藏不住。训练集里表现再好,换一个细胞系掉点,分数立刻反映出来。

这也是虚拟细胞和普通预测模型的分界:前者要求跨背景可用,后者只要在测试集上好看。

二、Replogle 与 PBMC:一张考覆盖,一张考噪声

Replogle 考的是覆盖。

这是全基因组范围的 Perturb-seq 数据,近万个基因被逐一敲低。模型要对整个转录调控网络有整体判断,不能只盯几个热门靶点。

转录组可以粗略理解为:一个细胞里所有基因的开关状态。敲低一个基因,别的基因也会跟着变。

这张卷子也有边界。公开资料显示,该数据集以 K562 细胞系为主,另含 RPE1。细胞系不是人体,结论外推要打折。

PBMC 考的是噪声。

外周血单个核细胞来自真人,供体之间存在天然差异。不同批次、不同处理时间,都会让表达谱偏移。

这里没有干净的对照组,只有带着个体差异的原代样本。模型能在这张卷子上站住,说明它的流程不是只为理想数据设计的。

一张考知识广度,一张考工程鲁棒性。两张都不是人体组织的完整替身。

三、SOTA 意味着什么,不意味着什么

先说它能证明的。

在同一套评测口径下,OCOO-T 的预测误差比同类模型小(据公开报道);在三个分布不同的数据集上,这个优势没有消失。这说明它的泛化不只依赖单一细胞系的记忆。

再说它不能证明的。

湿实验指的是要动手养细胞、加试剂、上机测序的那类实验,和纯计算相对。

SOTA 不等于发现了新靶点,不等于验证了机制,也不等于能省掉湿实验。它只是「在给定数据上预测得更准」。

多数单细胞基准用的指标是表达谱相关性或误差,衡量的是数值接近程度。数值接近是必要条件,不是充分条件。

这里有一个容易被忽略的限定:基准的测试集,仍然来自已被研究过的扰动类型。真正的考题,是预测一个还没做过的实验。

所以榜单分数和产业价值之间,还隔着一层。有人会问:那这不就是刷榜?

不完全是。刷榜是只在测试集上优化,工程能力是让模型在新数据上少掉点。两者有重叠,但不是一回事。

要把这层隔膜捅破,只有一个办法:公开下游实验的命中率。

四、基准的局限:考卷也是人造的

这些局限不是并列的五条,而是一层压一层,从数据一直延伸到部署。

最要紧的一层在数据。训练集和测试集如果同源,分数会虚高。跨数据集评测能缓解,但不能根治;基准里的细胞类型分布也不均匀,某些组织被反复采样,另一些几乎没有。

数据决定分数可不可信,指标决定这个分数说明了什么。

表达谱相关性高,不代表生物学解释对。模型可能预测对了数值,却说错了原因。指标选得窄,排行榜奖励的就会是「会拟合」,而不是「懂机制」。

指标之外,还有一层更硬的边界:基准里没有湿实验的真值,只有历史数据。

预测得准,和这个假设值得做,是两件事。基准测的是前者,产业要的是后者。

再往下,是时间带来的衰减。榜单会被刷满,SOTA 的边际信息量一年比一年低,今天的高分,明年可能只是入场线。

分数饱和之后,剩下的变量是人:谁来复现。

换一个团队、换一套环境,能不能得到同样结果?这一层已经不属于模型能力,属于部署能力。

所以评测要往前走一步,补三样东西:前瞻性预测,即预测尚未发表的扰动;湿实验命中率,即预测能不能转化成可做的实验;第三方复现,即换一个团队能不能得到同样结果。

评测口径也不只是科研的事。凯同AI服务健康品牌的内容团队,提供 AI 内容生产与增长工具,它衡量的标准更贴近结果:内容能不能过审,用户还愿不愿意继续用。

没有考卷的 AI,只能比谁说得顺。有考卷的 AI,才谈得上可比较。

五、结论

三个基准拆开了「预测得准」这件事,这本身就比一个排名有用。

判断只有一句:下一轮的分界,不在榜单分数,而在能不能预测一个还没做过的实验。

行动建议也简单:引入这类模型前,先要一份前瞻性验证结果,再谈价格;没有这一项,分数再高也只是历史成绩。

榜单每年会换。能回答没做过的问题,才值得被长期使用。

*关键词:OCOO-T / 单细胞扰动 / 评测基准 / 泛化 / 虚拟细胞*

*声明:基于公开信息撰写,不构成投资建议*