Biohub и партнёры направят $1,8 млрд на данные для виртуальных клеток

В биологии повторилась история, знакомая любой команде машинного обучения. Вы строите сложную модель, тратите вычисления, собираете красивую демонстрацию — а затем простое правило «предсказывать среднее» показывает результат не хуже. Именно с этим столкнулись проекты виртуальных клеток: систем, которые должны предсказывать, как клетка отреагирует на лекарство, редактирование гена или изменение среды.

После результатов Arc Virtual Cell Challenge 2025 года могло показаться, что большие модели здесь просто не работают. Но проблема оказалась интереснее. Часть тестов была устроена так, что безопасный усреднённый ответ получал высокий балл: большинство генов после воздействия почти не меняется, поэтому модель могла игнорировать редкие, но биологически важные сдвиги.

Фабиан Тайс из Helmholtz Munich считает, что спор о победе нейросети над средним уводит отрасль в сторону. Если набор данных описывает слишком простую и узкую задачу, сложной модели действительно негде показать преимущество. Следующий шаг — не добавлять слои ради слоёв, а собирать данные, в которых есть время, пространство, окружение клетки и переходы между уровнями организма.

Почему среднее вдруг стало сильным соперником

Представим набор из 10 000 генов. После воздействия заметно меняются лишь несколько сотен, а остальные остаются почти на месте. Модель, которая для каждого гена выдаёт типичное значение, будет часто попадать близко к правильному ответу. Общая ошибка получится небольшой, хотя именно интересные изменения она пропустит.

Для разработчика это обычная проблема несбалансированных данных. Система обнаружения мошенничества может достичь высокой точности, всегда отвечая «операция нормальная», если мошеннических платежей мало. Высокий итоговый балл ещё не означает, что продукт решает поставленную задачу.

Поэтому модели виртуальной клетки нужно оценивать отдельно на существенно изменившихся генах, новых типах воздействий и неизвестных сочетаниях условий. Полезно также проверять, сохраняет ли прогноз биологические связи, а не только уменьшает среднюю числовую ошибку.

От снимка клетки к модели процесса

Тайс предлагает смотреть шире отдельного измерения. Состояние клетки зависит от соседних клеток, ткани, времени и истории воздействий. Модель должна отвечать не только на вопрос «что изменится после препарата», но и предсказывать распределение возможных состояний, дальнейшее развитие системы и способ привести её к нужному состоянию.

Здесь появляется практический смысл инициативы Biohub и партнёров с заявленным объёмом обязательств около $1,8 млрд. Деньги планируют направить в том числе на новые способы визуализации, измерения и автоматизированные лаборатории. Такие установки могут замкнуть цикл: алгоритм выбирает следующий эксперимент, лаборатория проводит его, результаты возвращаются в модель, а та уточняет следующий шаг.

Это важный сдвиг. В языковой модели новый обучающий пример относительно дёшев. В биологии каждая точка данных может требовать выращивания клеток, оборудования, реагентов и времени. Поэтому ценность создаёт не только архитектура, но и умение выбирать наиболее информативный эксперимент.

Что с этим делать командам

Первый вывод универсален: до обучения дорогой модели зафиксируйте простые ориентиры — среднее, последнее известное значение, линейную модель и ближайшего соседа. Если нейросеть их не превосходит, проверьте сначала данные, разбиение выборки и метрику.

Второй вывод — тест должен отражать решение, которое будет принято по прогнозу. Для подбора терапии важнее не средняя ошибка по тысячам почти неизменных признаков, а способность найти небольшую группу изменений, влияющих на исход.

Наконец, сложность оправдана там, где она соответствует сложности наблюдаемого процесса. Многомасштабные модели нужны, если данные действительно связывают молекулы, клетки, ткани и время. Без таких данных «виртуальная клетка» рискует остаться дорогим интерполятором. С ними она может стать рабочим инструментом для выбора экспериментов и разработки точной терапии.