Vevo Therapeutics

103 · Tahoe 100 與虛擬細胞

57:41YouTube 上架 2025-02-25Nima Alidoust, Johnny Yu, Patrick Hsu, Dave Burke & Hani Goodarzi（Vevo Therapeutics、Arc Institute）

No Priors Ep. 103 | With Vevo Therapeutics and the Arc Institute

Vevo 與 Arc Institute 的五位來賓談 Tahoe 100 擾動資料集為什麼要開源、生物學為什麼需要虛擬細胞模型，以及這類模型離真正做出新藥還有多遠。

103 講了什麼

• Tahoe 100 的規模Johnny 說它是世界最大的 single cell RNA sequencing 資料集。資料涵蓋 50 種癌症模型（來自 50 位病人）與 1,200 種藥物處理，實際上沒有 batch effects。Vevo 這邊估計，全世界公開的擾動資料大方算也只有 1 到 2 million 個資料點，Tahoe 是 100 million。
• 虛擬細胞要做什麼Dave 用 ROM 與 RAM 比喻 DNA 與 RNA，把虛擬細胞模型說成細胞的「CPU」：輸入是基因編輯或藥物，輸出是轉錄組的變化。有了模型就能反過來問，怎樣的擾動能把病態細胞拉回健康狀態。
• 卡在資料，不是算力Nima 說 DNA 語言模型主要受算力限制，細胞狀態模型則受資料限制。Vevo 早期試做的模型，把 60 million 筆資料降到只剩 1% 來訓練，表現掉得不多，代表那批資料的資訊量不高。
• 為什麼開源Vevo 是創投支持的新創，內部只有三四個人。Nima 說開源讓整個社群一起用資料、回報好壞，公司才有辦法維持小團隊；也想讓領域從一百萬、十萬筆的資料量往更大的尺度走。
• 模型現在還很差一位來賓說，預測 differentially expressed genes 的能力，目前最好的模型約在 10% 的量級，也還沒有公認的 benchmark。他們的推測是問題出在資料品質，而不只是模型結構。
• 離新藥還要時間一位來賓判斷蛋白質模型已經過了 GPT-3，單細胞與虛擬細胞模型則比較接近 GPT-1。也有來賓提醒，藥物開發週期約 10 年，平台把成功率從 10% 拉到 30% 仍要慢慢驗證。

從哪一段開始看19 段

1. 00:05開場與來賓介紹主持人說明這集談 Tahoe 100 的發布與 AI for biology 的進度；Johnny、Nima、Patrick、Dave、Hani 依序自我介紹。
2. 01:25Tahoe 100 的意義Johnny 說它是世界最大的 single cell RNA sequencing 資料集。另一位來賓補充，過去二十年累積的是蛋白質資料，細胞資料是下一步；Dave 拿 2009 年的 ImageNet 作類比。
3. 04:20為什麼要虛擬細胞Dave 以 ROM、RAM 與 CPU 的比喻說明細胞模型：輸入基因編輯或藥物，預測轉錄組變化，並可反過來找回到健康狀態的擾動。
4. 06:10資料與算力的瓶頸Nima 說 DNA 語言模型偏受算力限制，細胞狀態模型受資料限制；既有的資料降到 1% 訓練，表現掉得不多，所以重點是資料來自多少不同的生物情境。
5. 09:03舊資料的問題過去十年的資料是許多團隊各做的小資料集，batch effects 嚴重、標註也差。Tahoe 100 涵蓋 50 種癌症模型與 1,200 種藥物處理，等於把過去十年累積的資料量翻倍。
6. 10:21為什麼要擾動資料Patrick 說擾動資料讓研究從相關走向因果，也讓模型看到更多細胞狀態。Vevo 這邊補充，公開資料幾乎都是健康組織的觀察資料，擾動資料合計約 2 million，Tahoe 是 100 million。
7. 13:42規模夠不夠scaling laws 要到了才知道。一位來賓以語言模型大約 1 trillion training tokens 作參照，估 100 million 個細胞約等於 200 到 300 billion tokens。
8. 15:17擾動怎麼選與 Mosaic 平台擾動工具要對應要研究的生物問題，癌症就選癌症相關基因與藥物；Mosaic 平台把多位病人的細胞合成一顆腫瘤，一次篩數百到數千種藥物。
9. 18:24假設驅動與資料規模一位來賓說生物學一直太依賴先有假設；Hani 說過去是把人當成 foundation model 來提出假設。Arc 這邊指出 scaling laws 已在蛋白質與 DNA 模型出現，Nima 主張先把其他領域有效的做法拿來試。
10. 24:52為什麼要開源Nima 說 Vevo 是創投支持的新創，開源讓社群一起用資料，公司才能維持三四個人的小團隊，也想把領域的資料規模往上拉。
11. 27:12Virtual Cell AtlasArc 用 agent 爬公開資料、去掉分析層面的 batch effects，整理出約 230 million 個觀察性細胞，加上 Tahoe 100 合計 330 million。Johnny 說 Tahoe 是 Vevo 四個人大約三天做完的。
12. 32:44怎麼評量模型看模型能否預測擾動後的 differentially expressed genes；目前最好的模型約 10%，沒有公認 benchmark，一位來賓推測問題出在資料品質。
13. 34:02為什麼不直接做實驗Patrick 說生物實驗受限於生物時間，例如老化專案要養動物約兩年。Nima 說 Vevo 要預測新化學物如何作用在不同病人的細胞；也有來賓說虛擬細胞能縮小標的的搜尋空間。
14. 40:34從結構走向系統生物學Nima 說蛋白質語言模型處理結構與結合，虛擬細胞要往上到系統生物學。被問到多細胞，一位來賓說抽象層級放在轉錄組，也提到 organoid；Nima 補充 Vevo 也有 humanized mice 的 in vivo 模型。
15. 44:12平台公司對單一假設主持人點名 Nima。Nima 說單一假設的公司有很強的誘因讓那個假設成立，平台公司不綁死單一假設，更能嚴謹地決定什麼東西要進臨床。
16. 45:45中國 biotech 與成本Patrick 說中國 biotech 的成本基礎更有競爭力；虛擬 biotech 看起來可行但很慢，垂直整合又很貴，產業在找中間路線。
17. 48:09創新與 morning in BIOJohnny 認為美國要更刻意把大數據與 AI 放進生物學的第一層。Nima 說現在是「morning in BIO」，要靠小而專注的團隊、現在就動手；另一位來賓補充，藥廠預算多數花在臨床開發。
18. 52:52何時看到成果Dave 以神經網路與 ImageNet 的歷史作類比，說明為何現在是轉折點，並舉 Evo 2 沒教過 DNA 知識卻學到不少東西為例；差別在資料。
19. 55:14現在是 GPT 幾主持人問生物學在 GPT-1 到 GPT-4 之間的哪裡。一位來賓說蛋白質模型過了 GPT-3，單細胞與虛擬細胞模型比較接近 GPT-1；也有來賓提醒，就算做到 GPT-4 等級，新藥還有約 10 年的週期要走。

值得記的話5 句

• we're seeing evidence of scaling laws in biology across proteins我們在生物學裡看到 scaling laws 的證據，蛋白質上就有22:19

• the best models are very poor at this最好的模型在這件事上表現很差；指預測 differentially expressed genes33:16

• it's 10% accurate you're just simulating noise只有 10% 準確，你就只是在模擬雜訊35:23

• 90% of drugs fail in clinical trials so you know we're pretty bad at making drugs九成的藥在臨床試驗失敗，我們其實很不會做藥39:03

• it's the time to build and it's the time to do it right now現在就是動手做的時候，而且就是現在50:31

名詞與人物12 個

Johnny Yu

Vevo 共同創辦人，在 Vevo 做 single cell sequencing。

Nima Alidoust

Vevo 共同創辦人，量子化學出身，後來轉做計算化學。

Patrick Hsu

Arc Institute 的創辦人之一。

Dave Burke

Arc Institute 的 CTO，專注計算生物學與替生物學打造新的 AI 模型。

Hani Goodarzi

Arc 的 core investigator，也是 Vevo 共同創辦人，和 Dave、Patrick 一起推 virtual cell 計畫。

Tahoe 100

Vevo 產生並開源的 single cell 擾動資料集，約 100 million 個細胞資料點。

Vevo Therapeutics

創投支持的新創，負責產生 Tahoe 100 的資料。

Arc Institute

在生物與機器學習交界做研究的機構，目標是理解並治療複雜的人類疾病。

Mosaic platform

Vevo 把多位病人的細胞合成單一腫瘤，一次篩大量藥物的平台。

scBaseCamp

Arc 用 agent 爬取、整理公開單細胞資料所得的觀察性資料集，約 230 million 個細胞。

differentially expressed genes

擾動前後表現量有明顯改變的基因，用來評量模型預測能力。

Evo

Arc 的 DNA 語言模型系列。

提到但沒有展開

• Dave 說 Evo 2 用 9.3 trillion nucleotides 訓練，沒有教過任何 DNA 知識，卻學到 ribosome binding sites 與 codon degeneracy 的位置，也能預測 BRCA1 變異的致病性，AUROC 約 94（Dave 自己說「if I recall」）。
• Nima 說 Tahoe 的 100 million 個資料點，背後是 60,000 組藥物與細胞株的交互作用；全部由四個人做完，也就少了不同人手造成的資料「感染」。

在 YouTube 看原片 ↗