当每个细胞都有地址，AI 会不会把组织真正重要的差异压平

一张细胞表格，丢掉了谁站在谁身边

单细胞测序把组织拆成一行行细胞。每行记录哪些基因活跃，研究者据此区分免疫细胞、上皮细胞、成纤维细胞和其他状态。它极大扩展了我们观察生命系统的能力，却也容易丢失一个基础事实：细胞原本不是悬浮在表格里，而是住在组织中。

同一种细胞，靠近血管、肿瘤边缘或纤维化灶时，可能处在完全不同的信号环境。两个表达相似的细胞，若一个紧邻免疫细胞、另一个被基质隔开，其功能意义未必相同。更细一层，RNA 分子在细胞核、细胞质和膜附近的分布，也可能携带状态信息。

空间转录组和成像式空间技术开始把“地址”还给分子和细胞。新的困难随之出现：数据同时包含基因、细胞坐标、亚细胞位置和邻域关系，平台覆盖的基因数、空间分辨率与组织处理又不同。传统模型常把表达和空间分开处理，或者只在单一尺度建图。

7 月 30 日发表于《自然·计算科学》的 SpatialFormer，试图学习一种从亚细胞分子到多细胞景观的通用空间表示。研究者把卷积网络与 Transformer 结合，让模型同时读取单细胞表达、基因在细胞内的空间分布，以及细胞所处的邻域。论文称，预训练使用 71 张 Xenium 切片中的 1700 万个空间分辨单细胞，构造约 7 亿个细胞对。

规模很大，任务也很多：批次校正、细胞类型注释、细胞共定位检测，以及对肺纤维化、乳腺组织中潜在细胞通信和转变信号的扰动分析。但“一个模型能做多件事”与“一个表示保留了所有重要生物差异”，不是同一句话。

为什么模型要学习“细胞对”

普通单细胞模型常把一个细胞的基因表达压成向量。SpatialFormer 增加了关系：两个细胞是否共享邻域、空间上是否相关，模型需要从表达和位置中学会判断。以大量细胞对作为训练单位，能迫使表示包含“谁与谁在一起”的信息，而不只是“这个细胞像什么”。

亚细胞尺度则由另一条路径处理。成像式平台能给出每个 RNA 分子的坐标，卷积模块把细胞内分布压成特征，再与基因表达和邻域信息融合。设计上的雄心，是让分子位置、细胞身份和组织环境进入同一个表征空间。

7 亿细胞对不等于 7 亿独立样本。许多细胞对来自同一张切片、同一位供体或相近区域，共享技术噪声和生物背景。把同一批细胞重新组合，会产生巨大训练规模，却不会同比例增加独立人群、疾病类型或仪器平台的多样性。

这在基础模型讨论中十分关键。参数看到的“例子”可以很多，真正独立的组织、患者和实验批次仍可能有限。若训练和测试切分没有充分隔离供体、切片或平台，模型可能学习到数据来源的指纹，而非可迁移的组织规律。

论文报告的数据来源透明到可以检查：原始预训练数据来自 10x Genomics 数据库，额外肺纤维化和结直肠癌数据有 GEO 登录号，处理后的预训练数据发布到 Hugging Face，代码在 GitHub 并由 Zenodo 归档。这提高了可审计性。但公开入口不自动等于任何人都能复现全部计算；数据体量、硬件、依赖版本和预处理细节仍会形成门槛。

批次被“校正”时，生物差异会不会一起消失

空间组学数据最常见的问题之一是批次效应。不同实验日期、试剂批次、切片质量和平台参数会让同一种细胞看起来不同。模型若能把技术差异压低，跨样本比较会更清楚。

但批次校正不是把所有样本画得越近越好。真实生物差异有时恰好与批次绑定：某疾病样本全部在一个中心采集，对照在另一个中心；某种组织状态只出现在特定切片。算法无法仅凭数据知道差异来自疾病还是实验环境。过度对齐会把值得研究的稀有状态当噪声抹去，不足对齐又会保留平台标签。

因此，评价不能只看混合程度。还要看已知细胞类型是否保持、稀有群体是否消失、空间边界是否仍符合组织结构，以及在完全独立供体和平台上能否复现。所谓“通用表示”的危险并非模型一定压平差异，而是统一向量让压平变得不易察觉。

细胞类型注释也有类似边界。模型在已知标签数据上表现良好，说明它能把训练知识迁移到相近样本，不代表它发现了新的细胞类型。注释是标签映射；新机制需要更直接的实验、时间或扰动证据。一个高置信标签如果来自偏窄的参考集，可能只是把未知状态强行塞进最近的旧类别。

对于临床样本，这种不确定性尤其重要。组织质量、疾病阶段、治疗史和采样位置都会改变分布。基准集中的平均性能不能直接变成某个患者切片的诊断准确率。SpatialFormer 是研究工具，不是经过临床验证的诊断系统。

共定位是线索，不是“细胞正在对话”的录像

论文展示模型对细胞共定位的检测，并通过扰动分析寻找可能参与肺纤维化免疫细胞通信、乳腺上皮—肌上皮共定位和肿瘤转变的基因对。这样的结果很吸引人，因为它把表示学习连接到可解释的生物问题。

但空间接近不是通信的充分证据。两个细胞靠得近，可能因为共享结构位置，也可能都被第三种信号吸引；配体和受体表达同时出现，不代表分子在正确时间、正确蛋白水平发生功能结合。转录本位置也不等于蛋白活性。

模型扰动同样不是实验扰动。计算上遮蔽、移动或改变输入后，预测发生变化，说明模型依赖该特征；它首先解释的是模型行为，而非证明在真实组织中改变该基因对会导致同样结果。若训练数据中某基因与平台或区域标签相关，扰动也可能显得重要。

更严谨的传播方式是说“模型优先排序了候选关系”，而不是“模型发现了细胞通信机制”。候选可以帮助研究者决定下一步观察和验证，但不能替代正交测量、独立队列和功能证据。这里也不需要提供任何可执行实验流程；科学边界本身就是文章重点。

“通用”最需要通过哪些考试

SpatialFormer 论文覆盖多个任务和组织，为通用性提供了初步支持。若把“通用”当作需要不断更新的假设，而不是产品标签，至少还要通过四类考试。

第一是平台考试。预训练核心来自 Xenium。其他空间平台在基因覆盖、信号形态、分辨率和噪声上不同。模型能否在不重新大规模适配的情况下迁移，决定它学到的是空间生物学还是平台语法。

第二是组织与疾病考试。肺和乳腺的结果不能代表脑、免疫器官、胚胎或罕见病。不同组织的空间单位不同，邻近距离的生物意义也不同。统一框架需要允许“邻域”随组织改变，而不是强行用同一半径解释所有生命结构。

第三是人群考试。1700 万细胞可能来自远少于 1700 万个体。人口祖源、年龄、性别和疾病阶段的覆盖，不能由细胞数量替代。基础模型最容易用海量行数掩盖供体不足。

第四是任务外考试。论文中的基准由研究者选择，模型优化方向也与这些任务相关。真正的新实验可能提出不同问题：罕见状态、切片边缘、异常组织结构或全新平台。一个表示在已知任务上有效，不保证它保留了尚未被定义的信号。

这些考试不是为了否定大模型，而是帮助用户决定何时信任。模型卡和数据说明应披露供体数、切片数、平台、组织、基因面板、切分方式、失败案例和计算成本。对每个下游结论，还应区分直接测量、模型输出和研究者解释。

开放代码之后，真正的公共价值是什么

论文提供源代码、处理数据和图表源数据入口，采用 MIT 许可证。这让方法不只停留在一篇付费墙后的描述，也允许其他团队检查实现、复算结果和开发替代方案。

不过，大型生物模型的开放性有层次。代码可见是一层，权重可得、数据许可清楚、环境可重建、普通团队负担得起是另外几层。若复现需要稀缺算力，学术共同体仍可能分成“能训练基础模型的人”和“只能调用表示的人”。后者在发现偏差时，未必有能力修改模型。

真正的公共价值，不只是把更多细胞压进更大的向量，而是建立可比较、可追溯的证据基础设施。每个表示应能回到原始切片、供体和测量；每次下游推断应留下模型版本和参数；被模型忽略或低置信的区域也应可见。统一表示如果切断来源，会提高效率却降低科学可审计性。

空间生物学最迷人的地方，正是位置让差异有意义。一个细胞不仅由表达决定，也由邻居、组织边界和历史决定。SpatialFormer 展示了 AI 如何把多层地址装进共同语言。下一步的成功标准，不该只是语言更流畅，而是翻译之后，地方口音、罕见状态和异常边界仍然听得见。

当每个细胞都有地址，通用模型可以帮助我们在巨大组织地图中找到路线。但地图的价值不在于把所有地方画成同一种颜色。它必须明确哪些道路来自真实测量，哪些是模型推断，哪些区域仍然没有被看见。

对使用者而言，最实用的检查并不复杂：先问训练数据是否包含自己的平台和组织，再看测试是否隔离了供体与切片；比较模型输出与简单基线，而不是只比较其他大模型；最后把低置信、分布外和失败案例保留下来。通用表示若只能输出一个漂亮向量，却不能提示自己何时不懂，就仍不是可靠的科研基础设施。

来源与边界

• 主要依据为《自然·计算科学》SpatialFormer 原始研究及公开代码仓库。
• 1700 万细胞和 7 亿细胞对描述训练规模，不等于同数量独立供体或独立样本。
• 批次校正、注释、共定位和计算扰动表现不等于临床诊断能力、因果机制或实验验证。
• 本文不提供湿实验、序列、培养或可执行生物操作；图像为概念示意，不是真实显微或模型输出。