细胞预测模型如何验证，才更接近真实研究？

内容整理：AI虚拟细胞 · 发布 / 更新：2026-10-31

核心摘要

细胞预测模型的验证应与实际使用场景一致，包含合理的数据隔离、简单基线比较、多维读出和独立验证，并明确不适用的条件。

“新细胞上的表现”与“新扰动上的表现”不是同一个问题。划分测试集前，应说明预期使用场景：新供体、新细胞类型、新化合物，或多个变化同时出现。

若相同样本、供体或高度相似的实验条件同时进入训练集与测试集，模型可能获得过于乐观的评分。划分策略应与任务一致，预处理和参数选择也应避免利用测试集信息。

复杂模型需要与对照均值、条件均值或其他合适的简单方法比较。只有证明新增复杂度带来了稳定价值，才有理由在下一步研究中依赖该模型。

总体表达相似度、差异基因恢复、通路方向和表型读出回答的问题各不相同。对于以干预效果为目标的任务，应避免仅用整体相似度掩盖真正响应信号的不足。

报告应保留数据来源、模型版本、条件范围与失败情形。跨实验室、跨批次或新背景验证可以检验模型的稳健性；无法覆盖的情形应明确说明，不把不确定结果包装为确定结论。

本文为研究方法解读。具体分析应依据项目数据、适用条件及独立验证结果确定；计算预测用于支持研究决策。

不确定性应结合生物学样本或重复评估，并报告不同划分与细胞背景下的波动。同一样本中的大量细胞不能直接替代独立生物学重复；差异不显著也不等于已证明等效。

在该研究测试的数据与任务中，所评估的深度学习模型未超过简单基线；这不等于所有模型在所有任务上无效。 Nature Methods · Perturbation prediction and simple baselines ↗

跨数据集、扰动与细胞背景的评测说明，模型选择需要对应具体泛化任务。 Nature Methods · Generalizable perturbation prediction ↗