15 вызовов для генеративного ИИ в клеточной биологии: что говорит статья в Cell
17 августа 2026 года в журнале Cell было опубликовано исследование «Пятнадцать вызовов для применения генеративного ИИ в клеточной биологии». Вместо того чтобы объявлять очередную особо крупную модель прорывом, команда авторов задает более фундаментальный вопрос: какие задачи генеративный ИИ должен действительно решить, прежде чем можно будет говорить о надежном прогнозировании и целенаправленном управлении клетками?
Ответом являются 15 вызовов, охватывающих все: от молекулярных взаимодействий, состояний клеток и механизмов действия до биомаркеров, реакций организма и клинических исследований. Таким образом, статья является не столько рейтингом текущих моделей, сколько предложением по улучшению научных целей: успех должен измеряться тем, предоставляет ли модель полезные, экспериментально проверяемые прогнозы в неизвестных биологических ситуациях.
Источник: Pexels / CDC
Кратко и по существу
- В статье сформулированы 15 конкретных задач для генеративного ИИ в клеточной биологии и распределены по четырем уровням: молекулярные взаимодействия, молекулярная функция, клеточная/системная функция и трансляция.
- Основной момент заключается не в том, убедительно ли модель реконструирует биологические данные, а в том, делает ли она правильные и практически значимые прогнозы за пределами известных ситуаций обучения.
- Особенно сложными являются задачи, связанные с причинно-следственными связями: какое вмешательство изменяет состояние клетки, почему действует лекарство, как клетки общаются друг с другом или каков будет результат исследования, которое еще не проводилось?
- Поэтому текущие базовые модели не являются автоматически «виртуальными клетками». Например, бенчмарк, опубликованный в 2025 году, показал, что несколько моделей глубокого обучения не смогли последовательно превзойти простые базовые линии при прогнозировании генетических пертурбаций.
- 15 вызовов связывают разработку ИИ с экспериментальной биологией: хорошие бенчмарки должны быть разработаны таким образом, чтобы прогресс мог быть переведен в измеримое биологическое понимание.
Что на самом деле хочет достичь статья в Cell
Работа Лео Дюпира и 14 других авторов, включая Теофаниса Каралетсоса, Шану О. Келли, Эмму Лундберг, Цзянь Ма, Стивена Р. Куэйка и Андреа Калифано, является «Perspective», то есть научным ориентиром и вкладом в дискуссию. Она не представляет собой одну новую модель клетки с новым лучшим результатом. Вместо этого она пытается направить область исследований на задачи, решение которых имеет биологическое значение.
Это важно, потому что «хорошая производительность» в вычислительной биологии во многом зависит от того, что именно измеряется. Модель может очень хорошо классифицировать известные типы клеток или правдоподобно заполнять отсутствующие значения и при этом потерпеть неудачу в прогнозировании реакции на новую генетическую пертурбацию, неизвестную ткань или новый активный ингредиент. Для действительно предиктивной клеточной биологии именно эта генерализация имеет решающее значение.
Источник: pexels.com
Критерием биологически полезного ИИ является не только хороший показатель бенчмарка. Важно, выдерживают ли прогнозы эксперименты в новых условиях и помогают ли они исследователям при принятии следующего решения.
Поэтому авторы структурируют 15 задач вдоль возрастающей биологической шкалы. Ниже приведены оригинальные английские названия заголовков вызовов. Немецкие пояснения являются редакционной интерпретацией того, какой тип прогноза или задачи проектирования должен быть проверен в каждом случае; они не являются дословным переводом полного текста статьи.
15 вызовов в обзоре
Уровень 1: Молекулярные взаимодействия
На первом уровне речь идет об элементарных отношениях, из которых возникает поведение клетки. Модель должна не только распознавать, какие молекулы присутствуют вместе, но и надежно справляться с регуляторным контекстом, состоянием хроматина и коммуникацией между клетками.
| № | Оригинальное название | Что это практически значит |
|---|---|---|
| 1 | Regulatory and signaling interactions | Прогнозирование регуляторных и сигнальных отношений таким образом, чтобы из них можно было вывести понятные реакции на вмешательство или стимул. |
| 2 | Epigenetic interactions | Понимание того, как хроматиновые и другие эпигенетические состояния контекстно-зависимо изменяют активность генов и реакцию клетки. |
| 3 | Cell-cell interactions | Прогнозирование коммуникации и взаимного влияния различных клеток, вместо моделирования каждой клетки изолированно. |
Источник: commons.wikimedia.org / National Institutes of Health
Поведение клетки возникает из структур и взаимодействий на нескольких уровнях. Снимок NIH показывает клетки HeLa с актином красным, микротрубочками синим и ядрами синим — наглядный пример одновременно существующей молекулярной и клеточной организации.
Уровень 2: Молекулярная функция
Второй уровень смещает вопрос с наблюдаемых отношений на функцию. Здесь интересно, может ли ИИ вывести биологическое действие из последовательностей и молекулярных компонентов или даже разработать новые функциональные механизмы.
| № | Оригинальное название | Что это практически значит |
|---|---|---|
| 4 | Synthetic mechanisms | Разработка новых, сконструированных молекулярных механизмов с желаемым поведением и надежный прогноз их функции. |
| 5 | Genome to biochemical function | Переход от геномной информации к конкретным биохимическим способностям и процессам — не только к статистическому сходству последовательностей. |
| 6 | Drug mechanism of action | Прогнозирование того, через какие целевые структуры, сигнальные пути и контекстные условия на самом деле действует лекарство. |
Уровень 3: Клеточная и системная функция
На этом уровне молекулярное прогнозирование становится системной задачей. Клетка имеет множество возможных состояний, реагирует на свое окружение и может быть перепрограммирована путем вмешательства. Именно здесь становится очевидно, почему «языковая модель для генов» не является автоматически полной виртуальной клеткой.
| № | Оригинальное название | Что это практически значит |
|---|---|---|
| 7 | Genome to phenotype | Надежный вывод фенотипических характеристик и поведения из генома, даже если комбинации вариантов или условий являются новыми. |
| 8 | Cell state reprogramming | Поиск вмешательств, которые целенаправленно перемещают клетку из начального состояния в желаемое целевое состояние. |
| 9 | Synthetic circuit design | Разработка надежных искусственных генетических цепей, поведение которых в реальных клетках соответствует заданным параметрам. |
| 10 | Systems-level mechanisms | Понимание механизмов на системном уровне, при которых состояние клетки, окружение и несколько связанных процессов совместно определяют наблюдаемую функцию. |
Источник: pexels.com
Многие из предложенных задач требуют замкнутого цикла модель-эксперимент: сформулировать прогноз, проверить его в контролируемой культуре клеток, измерить отклонения и вывести из них следующее поколение модели.
Уровень 4: Трансляция
Четвертый уровень — самый суровый тест на реальность. Теперь молекулярные и клеточные прогнозы должны привести к вопросам, актуальным для разработки лекарств и медицины. При этом растет не только биологическая сложность, но и значение качества данных, гетерогенности пациентов и проспективной валидации.
| № | Оригинальное название | Что это практически значит |
|---|---|---|
| 11 | Complex biomarker identification | Поиск многомерных биомаркеров, которые надежно указывают на клинически значимое состояние или реакцию и проявляют себя вне набора данных для открытия. |
| 12 | Drug toxicity | Прогнозирование токсических эффектов активного вещества как можно раньше и в релевантных биологических контекстах. |
| 13 | Drug efficacy | Прогнозирование эффективности не только в среднем, но и для различных биологических состояний и потенциально разных групп пациентов. |
| 14 | Organismal responses | Обобщение от отдельных клеток и тканей до реакций всего организма, в котором связаны иммунная, метаболическая и органная системы. |
| 15 | Clinical trial outcomes | Прогнозирование исхода клинического исследования в реальных условиях — задача, выходящая далеко за рамки реконструкции существующих омиксных данных. |
Источник: pexels.com
Последние вызовы простираются до трансляции. Чем ближе прогноз к безопасности лекарств, эффективности или клиническим исследованиям, тем выше требования к независимым данным, воспроизводимости и проспективному подтверждению.
Почему текущие бенчмарки для «виртуальных клеток» недостаточны
15 вызовов затрагивают больную точку текущей ИИ-биологии: бенчмарк может быть технически чистым и тем не менее создавать ложное представление о прогрессе. Если тренировочные и тестовые данные очень похожи, модель может интерполировать паттерны, не полностью улавливая лежащий в основе механизм. Для реальной предсказательной силы важны тестовые случаи, которые сознательно выходят за пределы известного распределения — например, новые пертурбации, другие типы клеток, другие ткани или комбинации, которые модель не видела во время обучения.
Насколько актуально это возражение, показала в 2025 году работа в журнале Nature Methods с открытым доступом. Константин Ахльманн-Эльтце, Вольфганг Хубер и Симон Андерс сравнили пять базовых моделей одиночных клеток и два других подхода глубокого обучения с сознательно простыми базовыми линиями при прогнозировании транскриптомных изменений после генетических пертурбаций. В исследуемых задачах ни одна из сложных моделей не смогла последовательно превзойти простые базовые линии. Авторы сами подчеркивают, что из этого не следует, что глубокое обучение принципиально непригодно для биологии одиночных клеток. Скорее, результат показывает, насколько важны сильные базовые линии и сложные тесты для утверждений о генерализации.
Статья в Cell именно этим и занимается: будущая модель должна убеждать не тем, что она особенно реалистично воссоздает известные данные, а тем, что ее прогнозы улучшают следующее экспериментальное решение. Таким образом, ключевой вопрос смещается с «Насколько похож вывод?» на «Какое новое биологическое утверждение мы можем протестировать с приемлемой частотой ошибок?»
Три структурные проблемы, лежащие в основе 15 вызовов
1. Биологические данные богаты, но не обязательно являются правильными тренировочными данными
Атласы одиночных клеток сегодня содержат огромные объемы измерений. Тем не менее, для многих предиктивных задач отсутствуют именно те данные, которые позволяют делать причинно-следственные выводы: контролируемые пертурбации, временные ряды, отношения доза-эффект, пространственный контекст, мультиомиксные измерения и достаточное количество независимых биологических систем. Один миллиард наблюденных клеток для некоторых вопросов менее информативен, чем меньший, тщательно спланированный набор данных с целенаправленными вмешательствами.
Chan Zuckerberg Initiative, или Biohub, параллельно с созданием больших клеточных наборов данных, преследует явную цель создания виртуальной клетки на основе ИИ, которая должна предсказывать и объяснять клеточное поведение. В статье Perspective «How to build the virtual cell with artificial intelligence», опубликованной в Cell в 2024 году, виртуальная клетка описывается как мультимасштабная, мультимодальная модель для молекул, клеток и тканей. 15 задач 2026 года можно рассматривать как более конкретные тесты, по которым можно измерить достижение этой амбициозной цели.
2. Клеточная биология комбинаторна и зависит от контекста
Язык имеет правила и повторяющиеся закономерности; клетки — тоже, но их пространство состояний одновременно формируется генной регуляцией, белковыми взаимодействиями, метаболизмом, эпигенетикой, пространственным соседством, историей развития и окружающей средой. Даже небольшие изменения могут менять свое воздействие в зависимости от типа клетки или контекста. Поэтому модель, которая корректно знает один компонент, вовсе не обязательно должна корректно предсказывать результат комбинации нескольких воздействий.
Это говорит в пользу моделей, которые рассматривают биологические предварительные знания не как постфактум, а учитывают их при проектировании, обучении и оценке: например, известные сети взаимодействий, физические ограничения, пути реакций или явные данные о возмущениях. Большее количество параметров может быть полезным, но не заменяет эту структуру автоматически.
3. Корреляции недостаточно для многих задач
При перепрограммировании клеточных состояний, изучении механизмов действия или эффективности лекарств речь идет о вмешательствах: что произойдет, если мы изменим X? Именно этот вопрос отделяет корреляцию от причинно-следственной связи. Модель может идеально связать маркер с состоянием заболевания, не зная, является ли маркер причиной, следствием или просто сопутствующим явлением. Для задач 8, 11, 12 и 13 это различие имеет прямое отношение.
Наглядным примером желаемого цикла валидации является отчет Zerlo о подтвержденной в лаборатории гипотезе DeepMind/Yale о раке: там модель привела к конкретной, контекстно-зависимой гипотезе, которая впоследствии была проверена на человеческих клеточных моделях. Такой успех еще не доказывает существование общей «виртуальной клетки», но показывает, почему проспективные эксперименты гораздо более информативны, чем чисто ретроспективные эталонные тесты.
Что должна уметь действительно полезная «AI Virtual Cell»
Термин AI Virtual Cell часто используется для фундаментальных моделей, которые обучаются представлениям из больших наборов данных Single-Cell. Это важный строительный блок, но 15 задач предполагают более высокую планку. Полезная виртуальная клетка должна не только кодировать текущее состояние, но и уметь моделировать вмешательства и их последствия.
- Обобщение: Предсказания должны оставаться надежными и для невиданных ранее типов клеток, возмущений или сред.
- Связывание нескольких масштабов: Молекулярные взаимодействия должны быть связаны с состоянием клетки, тканью и, в конечном итоге, с реакцией организма.
- Указание на неопределенность: Модель должна показывать, когда данных недостаточно для надежного предсказания, а не делать каждый вывод одинаково уверенным.
- Экспериментальная фальсифицируемость: Предсказания должны быть достаточно конкретными, чтобы их можно было опровергнуть или подтвердить в лаборатории.
- Механистическая полезность: Для исследований и разработки лекарств важен не только сам факт предсказанного эффекта, но и, по возможности, механизмы его возникновения и условия.
Из этого становится ясно, почему задача 15 — результаты клинических исследований — стоит в конце шкалы. Между экспрессией генов и исходом исследования лежат многочисленные уровни: дозировка, фармакокинетика, иммунные реакции, сопутствующие заболевания, выбор пациента, протокол исследования и статистические конечные точки. Модель, которая надежно связывает все эти факторы, качественно отличалась бы от системы классификации типов клеток.
Что ИИ- и биологические команды могут почерпнуть из статьи
Из 15 задач можно вывести практическую стратегию разработки. Ниже приводится редакционный синтез статьи и текущих дебатов о эталонных тестах, а не дополнительный список авторов:
- Сначала определить биологическое решение. Прежде чем выбирать метрику модели, должно быть ясно, какое экспериментальное или трансляционное решение должно быть улучшено за счет предсказания.
- Серьезно относиться к простым базовым моделям. Сложная фундаментальная модель должна конкурировать с наивными, линейными и специфическими для предметной области базовыми моделями. Иначе останется неясным, приносит ли дополнительная сложность реальную информационную выгоду.
- Планировать тестовые данные с учетом обобщения. Осмысленные разделения данных сохраняют именно те ситуации, которые должны быть предсказаны впоследствии: новые возмущения, новые клеточные контексты или совершенно независимые наборы данных.
- Разделять ретроспективную и проспективную оценку. Ретроспективные эталонные тесты помогают сравнивать методы. Проспективные эксперименты, напротив, проверяют, может ли модель действительно предсказывать новую, неизвестную биологию.
- Интегрировать биологические предварительные знания и неопределенность. Сети, механизмы и физические ограничения могут структурировать пространство поиска; оценки неопределенности помогают избежать рискованных гипер-интерпретаций.
- Публиковать отрицательные результаты. Если большая модель не превосходит простые базовые модели, это научно ценно. Такие результаты предотвращают путаницу между вычислительными затратами и биологическим прогрессом.
Почему статья актуальна не только для клеточной биологии
Perspective является примером общей проблемы в генеративном ИИ: чем впечатляющее модель может генерировать результаты, тем легче правдоподобие спутать с корректностью. В клеточной биологии эта разница особенно заметна, поскольку правдоподобное предсказание может потерпеть неудачу в эксперименте — и поскольку ложные предположения впоследствии могут стоить времени, животных, образцов или клинических ресурсов.
Поэтому 15 задач представляют собой полезный противовес чистому масштабированию. Они требуют решения задач, решение которых становится измеримо сложнее и научно ценнее по мере удаления от молекулярной реконструкции в сторону причинного управления клетками и клинической трансляции. Смогут ли текущие трансформеры, графовые модели, гибридные механистические системы или новые архитектуры наилучшим образом решить эти задачи, статья намеренно оставляет открытым.
FAQ
Что означает «Fifteen challenges for generative AI applications to cell biology»?
Это название статьи Perspective, опубликованной в 2026 году в журнале Cell. Команда авторов формулирует 15 научных вызовов, по которым можно осмысленно проверять генеративный ИИ для клеточной биологии — от регуляторных взаимодействий до предсказания результатов клинических исследований.
Какие четыре уровня охватывают 15 задач?
Задачи варьируются от молекулярных взаимодействий до молекулярной функции и функции клетки/системы, и, наконец, до трансляции. Таким образом, планка постепенно повышается от локальных биологических отношений до предсказаний о лекарствах, организмах и клинических исследованиях.
Утверждает ли статья в Cell, что виртуальная клетка уже существует?
Нет. Статья — это не отчет об успехе в решении задачи создания виртуальной клетки. Она описывает задачи, которые должны решить будущие генеративные модели, чтобы их предсказания стали более убедительными с биологической и трансляционной точек зрения.
Почему хороших результатов на существующих бенчмарках Single-Cell недостаточно?
Хороший результат может быть достигнут на задачах, сильно похожих на тренировочные, или решаемых простыми закономерностями. Для предиктивной биологии решающее значение имеет то, сможет ли модель обобщить данные для новых возмущений, типов клеток, тканей или других невиданных ранее условий и дать там лучшие предсказания, чем сильные простые базовые модели.
Могут ли большие фундаментальные модели просто решить 15 проблем за счет масштабирования?
Это не доказано. Большие модели могут обрабатывать больше данных и более сложные представления, но задачи также касаются качества данных, причинно-следственной связи, биологических ограничений, обобщения и экспериментальной валидации. Бенчмарк Nature Methods 2025 года также показывает, что одна лишь сложность модели не гарантирует надежного преимущества в предсказании возмущений.
Какая задача имеет наиболее далеко идущие последствия для медицины?
Задача 15 «Результаты клинических исследований» находится на конце трансляционного уровня. Она предполагает, что модель достаточно хорошо интегрирует многие предыдущие уровни: молекулярные механизмы, клеточные состояния, эффективность, токсичность, реакции организма и клиническую гетерогенность.
Заключение
«Fifteen challenges for generative AI applications to cell biology» — это прежде всего призыв к более требовательному определению прогресса. 15 задач смещают фокус с впечатляющей реконструкции данных на обобщение, механизмы, вмешательства и проспективное подтверждение. Чем дальше список ведет к трансляции, тем меньше подходит модель, которая лишь правдоподобно воспроизводит биологические закономерности.
Для дискуссии об AI Virtual Cells это полезная метрика: настоящая виртуальная клетка была бы не просто очень большой моделью экспрессии генов, а системой, которая предсказывает новые биологические ситуации, указывает на свою неопределенность и неоднократно дает полезные результаты в реальных экспериментах. До тех пор 15 задач — это не столько доказательство достигнутого, сколько конкретная исследовательская повестка дня для того, что еще предстоит сделать.