Xaira 的 X-Cell：药物发现需要“因果数据”

核心观点

在用于药物发现的细胞模型中，仅仅扩大参数规模和训练算力并不一定带来更好效果。Xaira Therapeutics 的 X-Cell 相关工作强调：如果目标是预测基因表达变化，模型需要的是更具信息密度、能够支持因果推断的数据。

文章提到一个关键现象：在单一且相对较小的数据集上训练时，模型规模扩大后出现了明显瓶颈。

具体表现是：

这通常意味着，模型并不是首先受限于参数量或算力，而是受限于数据本身包含的信息量。换句话说，继续堆参数、堆计算，可能无法跨过这道墙。

对于预测基因表达变化这类任务，模型需要的不只是更多样本，而是更“富信息”的数据。

Xaira 团队的做法是加强数据生成，用更高信息密度的数据来支撑模型训练。文章称，在信息量约提升 30 倍后，模型重新表现出随参数和训练计算量扩展而提升的趋势。

文章没有给出该数据生成工作的确切成本，但作者推测：

这些表述是估算，并非官方披露数据。

如果要反向理解人类细胞如何工作，一个自然切入点是记录不同类型细胞在不同状态下表达了哪些基因。例如，细胞中有哪些 RNA、数量如何、在什么条件下发生变化。

文章提到，CELLxGENE 是一个由 Chan Zuckerberg Institute 建立的细胞数据库，包含约 1.68 亿个细胞。它将每个细胞映射到 2 万至 3 万个基因的检测计数，并附带每个细胞的详细元数据。按文章描述，这相当于一个约 4 万亿条目的矩阵。

这种数据基础类似于结构生物学中的 Protein Data Bank 对蛋白结构模型的推动作用。CELLxGENE 也催生了大量 RNA 表达模型，并推动了所谓“虚拟细胞”模型的发展。

文章介绍，Ci Chu 和 Bo Wang 是 Xaira 相关方向中的关键人物。Ci Chu 近期被任命为首席发现官，Bo Wang 被任命为首席 AI 科学家。这也显示出 Xaira 将“高信息密度数据驱动药物发现”视为重要战略。

Bo Wang 此前参与构建过 scGPT，这是一类有影响力的 RNA 表达模型。Xaira 的思路则进一步强调：药物发现中的模型不仅要学习相关性，还要能预测干预后的变化，因此需要更接近因果结构的数据。

这篇内容的重点不在于宣布某个药物发现结果，而在于提出一个模型建设问题：

当任务需要预测扰动、干预和细胞状态变化时，普通观测数据可能不够；要让模型具备更强预测能力，就必须生成更能揭示因果关系的数据。

这与通用 AI 中“扩大模型规模即可持续提升”的叙事不同。对于细胞和药物发现任务，瓶颈可能更早地出现在数据层面：数据是否覆盖了足够多的干预条件，是否包含足够信息，是否能帮助模型理解细胞系统如何响应外部扰动。

Xaira 的 X-Cell 方向体现了一种新的 AI 制药工程观：模型、算力和数据生成需要共同设计。尤其在细胞扰动预测中，高质量、高信息密度、面向因果关系的数据，可能比单纯扩大模型规模更关键。

目前文章提供的是方法论和战略层面的讨论，而不是临床或药物管线结果。因此，更合理的理解是：这是一次关于 AI 药物发现基础设施与数据策略的案例观察。