化学、生物与自动化实验室
突破级
有讲解视频
收录解读
这篇论文针对单细胞领域一个非常实用且长期困难的问题：如何在不同细胞类型和不同环境刺激下，预测转录组会如何演化。无论是细胞分化、基因扰动、药物作用，还是辐照与生长因子刺激，真实实验都成本高、组合空间极大，因此非常需要一个能跨条件模拟细胞状态变化的生成模型。
Squidiff 的核心方法是用 diffusion model 建立细胞状态在时间和条件上的连续生成过程。论文强调 continuous denoising 与 semantic feature integration，使模型能够学习瞬态细胞状态，并在不同时间点和不同条件下生成高分辨率的 transcriptomic landscape。与很多只做静态映射或局部插值的模型不同，Squidiff 的目标是直接建模细胞状态如何在发展和扰动过程中连续演化。
它值得收录，因为它是 AI x biology、perturbation prediction 和 cellular dynamics 方向里少见的成熟高价值方法论文。论文不仅覆盖 cell differentiation、gene perturbation 和 drug response，还在血管类器官发育、神经辐照响应和 growth factor 场景中展示了实际价值。这说明它并不是窄任务模型，而是一条可以支撑 in silico screening 和快速假设生成的通用路线。
它没有升到更高一级，原因在于它虽然方法扎实、验证面广，但更像一个强生成建模与应用方法，而不是已经重新定义整个 virtual cell 或 cell world model 研究蓝图的范式级工作。它应作为高位 breakthrough 收录，而不是再向上拔高。