收录解读
这篇论文处理的是一个很强的 AI for biology 目标：能否构建一个可泛化的 virtual cell world model，用来预测细胞在扰动下的动态响应。现实问题很明确，真实实验筛选受到组合空间和成本的强限制，而现有计算模型又往往只在高变基因、局部表达重建或特定细胞背景里有效，难以把学到的扰动动力学迁移到未见过的细胞上下文。
AlphaCell 的核心做法是把 genome-wide 表征、可逆的高保真解码和连续状态转移统一起来。论文强调三层创新：第一，用全蛋白编码转录组做 latent manifold rectification，构建更完整的虚拟细胞空间；第二，用大规模 decoder 从 latent state 重建 genome-wide expression，提升生物真实性；第三，用 optimal transport conditional flow matching 把扰动建模为连续、可组合的状态转移向量场，而不是离散标签映射。这样，模型不只是记住某些特定 perturbation 结果，而是在学习更一般的状态演化规律。
它值得收录，因为这已经不是普通单细胞预测模型，而是明确朝着“virtual cell world model”推进：把表示、重建和动力学统一在同一生成框架下，并把目标放在 compositional generalization 和 unseen cellular context 的 zero-shot prediction 上。这对 perturbation biology、药物发现、细胞命运工程和 AI 驱动实验设计都有明显外溢，属于当前生物 foundation model / world model 线里值得保留的高价值条目。
它没有升到更高一级，原因在于当前还是 bioRxiv 预印本，且这条路线虽然雄心和 framing 都很强，但离被社区验证为“细胞世界模型”的标准参考还需要更多外部复现和下游闭环结果。现阶段更适合作为高位 breakthrough 收录，而不是更高等级。