Team name

PerturbCell 造物者小队

PerturbCellmulti-drug perturbation prediction融合多模态信息与基因调控网络，预测药物条件下细胞转录组响应

天津大学网络安全学院T5 虚拟细胞

Project title

PerturbCellmulti-drug perturbation prediction

T5 虚拟细胞多药扰动预测扰动对照评估

把处理前后的差异拆开看，才发现模型很可能只是把原来的细胞背景复制了一遍 —— 并没有真正学会药物响应。天津大学 PerturbCell 造物者小队把这次「高分幻觉」当成了转折点：重做评估、增加诊断、加入错误条件对照。

Team name: PerturbCell 造物者小队
Institution: 天津大学网络安全学院

生命系统精准预测，是合成生物学走向理性设计的核心瓶颈。具体到药物扰动：传统湿实验依赖低通量试错，周期长、成本高，难以系统解析单药及多药联合扰动下细胞状态的复杂响应。「多药联合」这四个字是难度的来源。单药的组合数是线性的，两两组合就是平方，再加上剂量、细胞类型，空间大到不可能穷举。这个问题让湿实验面临两个挑战 —— 搜索空间太大，真实的生物系统又太复杂。AI 可以从大规模单细胞数据和药物的结构、靶点、机制等信息中学习规律，快速提出优先验证的预测；细胞实验则负责检验这些预测、发现模型的盲区。AI 用于提高候选筛选效率，实验用于验证预测结果。

01
阶段 1
那个接近满分的分数
团队曾得到接近满分的总体相关性，但把处理前后的差异单独评估后发现，模型可能主要复制了原有细胞背景，没有学会药物响应。团队因此重做评估、增加诊断，并加入错误条件对照。
02
阶段 2
评估不只看总体相关性
不只看总体相关性，还检查差异表达的方向、关键基因的命中率，以及打乱或移除药物信息之后的表现变化。四项里有三项是专门针对上面那个陷阱设计的 —— 方向对不对、关键基因抓没抓到、把药物信息拿掉之后分数会不会掉。如果拿掉药物信息分数几乎不掉，那就说明模型压根没在用它。Learn 阶段则是根据「幅度低估」或「方向错误」这类失败模式来调整模型 —— 不是笼统地「再训一版」，而是对着具体的失败类型改。
03
阶段 3
先冻结测试集
数据规模大，不同数据体系差异明显，单次划分和单个随机种子都可能误导结论。