Shift Bioscience 發表校準框架，AI 虛擬細胞模型預測能力獲重新評估

過去兩年，學界對 AI 虛擬細胞模型普遍存在一個判決：深度學習系統屢屢輸給簡單基準線，做不到真正預測基因擾動對細胞的影響。但 Shift Bioscience 在《Nature Biotechnology》發表的新研究指出，問題不完全出在模型本身，而是出在評估工具太鈍。

核心論點是這樣的：過去慣用的評估指標（如 mean squared error、control-referenced Pearson correlation）在擾動訊號較弱的資料集裡校準度很差，根本分不清「模型抓到了真正的生物訊號」和「模型瞎猜」之間的差距。Shift Bioscience 團隊橫跨 14 個基因擾動資料集、18 種評估指標，做了系統性測試，發現加權型與排名型指標（WMSE、weighted RΔ2、NIR）在各資料集的校準表現一致較高——它們的共同設計邏輯，是把重點放在擾動特異性訊號上，而不是平均誤差。

更關鍵的是方法論的兩項設計：一是「插值複製」正對照（interpolated duplicate positive control），把平均擾動輪廓與獨立技術複製按每個基因的證據強度加權合併，做出一個「理想但可達到的上限」；二是動態範圍分數（DRF），用來量測一個指標能把正對照和負對照分開多少，讓研究者可以事先篩掉沒有辨別力的指標，而不是在結論出爐後才懷疑自己的測量工具。

用校準過的指標重新評估之後，早期模型（scGPT、GEARS）其實能超越無資訊基準線，只是以前的測量工具沒抓到。更新的系統（PRESAGE、scLambda）整體表現更強。此外，訓練資料的覆蓋密度是另一個決定性因素：Norman19 資料集只覆蓋 0.63% 的可能基因組合，簡單加法基準線反而難以打敗；Wessels23 覆蓋 10.3%，多個深度學習模型就能超越加法基準線——意思是模型能學到非線性的基因交互作用，前提是訓練資料要夠廣。

這對產業的意義不僅是「模型比你想的強」這麼簡單。AI 虛擬細胞的應用價值在於用大規模 in silico 篩選取代或大幅減少濕實驗，尤其是在治療靶點發現上。如果這類模型的表現因為測量工具問題被系統性低估，等於整個藥物研發界都在用錯誤的儀器做決策——哪些模型值得繼續投資、哪些研究方向值得追進，全部都可能答錯。

Shift Bioscience 自己打算把這套框架直接套進靶點識別程序，第一個聚焦場景是纖維化相關的細胞老化逆轉。這是他們從方法論貢獻到商業應用的直線：先讓測量工具可靠，才知道模型能不能用，再決定要在哪個治療領域押注。對其他正在評估是否導入 AI 虛擬細胞工具的生技公司來說，這篇論文的訊息很直接：現在的評估框架可能讓你少算了模型的真實能力，而校準框架本身已經有具體的可複製方法。