单细胞基础模型的价值需要任务级基线检验

1. 先说明“基础”究竟服务哪项任务

Geneformer把细胞表示为表达排序后的基因序列，重点展示有限标注下的网络生物学迁移；scGPT以生成式预训练支持注释、整合、多组学与扰动任务；scFoundation用覆盖约 2 万基因的非对称架构产生细胞和基因上下文表示；UCE再引入蛋白语言模型表示，目标是无需微调地跨组织和物种映射细胞。[1–4] 这种差异意味着模型名或参数量不能决定胜负。细胞注释、批次整合、轨迹保持、跨物种映射、药物反应和基因扰动是不同的统计问题，需要各自的标签、对照与指标。

2. 零样本、线性探针与微调必须分账

零样本评估保持预训练权重不变，直接检验嵌入是否可用；线性探针在冻结嵌入上训练简单预测器，检验表示中是否含可线性读取的信息；全量微调则同时利用预训练与任务标签，回答的是“能否适配”。三者不能合并成一个“基础模型成绩”。Kedzierska 等在五个数据集上比较 Geneformer、scGPT 与 HVG、Harmony、scVI，发现前两者的零样本嵌入没有持续领先，并且部分评估集与预训练语料有重叠。[6] 这不否认原始论文中的微调收益，而是说明微调成功不能自动证明通用零样本表征已经形成。

3. 基线的作用是隔离预训练的净贡献

合理比较至少包括三层。第一层是无需大模型的输入基线，如 log-normalized HVG、PCA、kNN 或逻辑回归；第二层是成熟任务方法，如批次整合中的 Harmony、scVI/scANVI；第三层是与基础模型使用相同解码器、训练标签和超参数搜索预算的随机初始化或从头训练模型。单细胞整合还应分别评价批次去除与生物变异保留，因为强行“混匀”可能同时抹掉稀有细胞、状态或轨迹。[5] 2025–2026 年跨任务评估也显示，没有一个基础模型在所有数据集和任务上持续领先，PCA 或任务专用模型在部分设置中更高效或更好。[9–11]

4. 数据划分应模拟下一次真实使用

先随机分细胞再训练，常把同一供体、样本、批次甚至克隆的近重复细胞放入训练集和测试集，测到的是插值而不是外推。若目标是给新患者注释，至少按供体或样本分组；若目标是跨研究、平台、组织或物种迁移，应整组留出相应域；若目标是预测新扰动，应按扰动身份划分，并分别报告组合中 0、1 或 2 个组成扰动已见的情形。特征选择、归一化参数和超参数也只能在训练/验证数据内确定。测试集应锁定，报告多个分组拆分的均值、区间和失败案例。

5. 公共预训练语料让“未见数据”更难证明

CELLxGENE、GEO 与细胞图谱被多个模型反复用于预训练；仅检查论文题名不足以排除同一研究、供体或数据版本的重叠。零样本基准已经识别到 Pancreas、Tabula Sapiens 与 Immune 等评估数据和部分模型语料交叉。[6] 因此应保存预训练数据清单、采集截止时间、accession、去重规则与模型版本，并优先采用预训练截止日之后发布的外部数据。2026 年一个尚未经同行评审的统一基准专门加入后截止数据，仍观察到经典 PCA 在部分任务中有竞争力；这个结果值得关注，但在正式发表和独立复核前应视为暂定证据。[11]

6. 扰动预测是最严格的反证场景

基因扰动预测不能只看预测表达与真实表达的全基因相关，因为大量不变基因和“所有扰动共有”的系统差异会制造高分。Ahlmann-Eltze 等比较五个基础模型、两种深度模型与简单基线：双扰动中加和基线更好；对未见单扰动，深度模型也未持续超过均值或线性模型。[7] Systema 又在十个数据集上发现，perturbed mean 对未见单基因扰动可与现有方法相当或更好，提示模型可能主要复现“受扰动 versus 对照”的共有方向，而非扰动特异效应。[8] 更可信的评估应基于匹配对照的变化量，分开查看差异基因的方向、幅度、排序、通路与逐扰动表现，并加入 no-change、mean、additive、matched-mean 和阴性对照。

7. 从计算输出到生物结论仍有一道证据门

嵌入中的邻近只表示模型在所选表示和距离下认为细胞相似；二维 UMAP 上的簇、连续带或分支不能单独证明新细胞类型、发育谱系或状态转变。注意力权重、基因嵌入和 in silico perturbation 也不自动等于调控边、因果机制或治疗靶点。它们适合用于检索、注释候选、分层和实验优先级排序；随后仍需在独立样本中复现，以标志基因、蛋白/染色质测量、时间或谱系追踪、真实遗传/药理扰动和功能实验逐级验证。即使 UCE 的原始研究也把用途表述为分析、注释和假设生成，并明确讨论黑箱性、训练偏倚和传统批次校正仍然有用。[4]

基线与数据划分检查单

• 写清任务单位、预测对象、部署域和主要指标；把 zero-shot、linear probe、fine-tuning 分开报告。
• 至少加入 HVG/PCA 与简单监督模型；再加入该任务的成熟专用方法，以及相同解码器的随机初始化/从头训练对照。
• 扰动任务加入 no-change、mean、additive 或 matched-mean，并在匹配对照的差异表达上评分。
• 按供体、样本、研究、批次、平台、组织、物种或扰动身份分组；禁止先随机分细胞再声称跨域泛化。
• 在划分之后拟合特征选择、缩放、批次处理和超参数；记录预训练语料截止日、accession 与潜在重叠。
• 报告每个外部数据集、亚组和随机种子的结果、置信区间、运行时间、峰值显存/内存与失败率。
• 对最佳模型做标签置换、输入扰动和消融；确认增益来自预训练表示，而不是更大搜索预算或标签泄漏。
• 把嵌入和预测写成候选假设，并预先指定独立数据与实验验证路径。

适用场景

当标注很少、参考图谱很大且新数据与预训练域接近时，基础模型可作为统一特征提取器、参考映射或样本检索层；跨物种输入和异构基因集合也可能从 UCE 一类生物先验中受益。[4] 如果任务级外部基准显示它在相同标签预算下稳定优于强基线，迁移学习可减少重新训练成本。对于探索性研究，它还适合生成细胞、基因模块或扰动候选的优先级，但优先级不是验证结果。

常见误区

• 误区: “预训练细胞越多，生物理解越深” · 更可靠的判断: 数据量还伴随组织、物种、平台与标签偏倚；应看后截止外部任务的增量表现。
• 误区: “UMAP 分群漂亮，嵌入就更好” · 更可靠的判断: 二维图受降维和参数影响；在完整表示上报告任务指标、批次与生物保留。
• 误区: “微调后领先说明 zero-shot 有用” · 更可靠的判断: 微调使用了测试域标签；必须和冻结嵌入、从头训练分别比较。
• 误区: “高相关证明预测了扰动机制” · 更可靠的判断: 相关可能由不变基因或共有扰动效应驱动；须检验扰动特异差异及简单均值/加和基线。
• 误区: “模型预测了靶点，所以它具有治疗意义” · 更可靠的判断: 这是计算候选；因果、可药性、安全性与疗效需要独立实验和临床证据。

结论

单细胞基础模型真正需要跨过的门槛不是参数量，而是同一任务上的净增益：严格分组留出、无污染外部测试、强简单基线、相同调参预算、多指标与不确定性报告，以及独立实验验证。若 HVG/PCA、scVI 或均值/线性模型已经同样好，基础模型的额外成本尚未被证明；若它在低标注、跨域或跨物种任务中稳定领先，才有证据把“可能通用的表示”升级为“对这个使用场景有价值的工具”。