Xaira Therapeutics（Bo Wang & Xi Chu）¶
- 背景: AI 原生药物发现公司，联合创始人之一是 David Baker（UW，蛋白设计）。融资规模约 10 亿美元级别。三条 AI 平台线：蛋白设计（Baker 实验室血统）、虚拟细胞 / 生物学基础模型（X-Cell）、患者表征模型（刚起步）。
- Bo Wang：SVP / Head of Biomedical AI，加入约 8 个月；此前是多伦多大学副教授，scGPT 的作者（ChatGPT 发布后四个月发表的早期单细胞基因组学基础模型）。仍在多大教一门 600 人的深度学习课。
- Xi Chu（自称 "Chu"）：SVP of AI-enabled Discovery，加入两年多（当时还在 stealth）；负责高通量生物学——生成喂给 AI 模型的数据。此前在 Insitro 领导体外发现平台，更早在 Verily（Google X 分拆）。
- 定位: 本库第三块系统性 AI-for-science 来源（与 Genesis Molecular AI、Lila Sciences 并置）。三家的分工恰好互补：Genesis 做结构、Lila 做实验室即 verifier、Xaira 做因果/功能。
主题句：Causal models need causal data——要预测"如果我干预了会怎样"，就必须用干预产生的数据训练，观测数据在原理上就欠定。
核心观点¶
- 描述性数据学不出因果：Cell×Gene 这类观测性数据训出的模型（scGPT、Geneformer）擅长去 batch effect，但在扰动/反事实任务上至今打不过线性基线。原因是"有 N 种因果结构能拟合同一份相关性数据"——A 调控 B、C，或 B 调控 A、C，观测数据无法区分（视频页 00:20:43–00:22:48）。
- 虚拟细胞 1.0 vs 2.0：20 年前用微分方程描述通路是"largely a failed attempt——生物学复杂到写不进几个预设方程"；2.0 是 ChatGPT 之后的数据驱动路线，由 CZI 牵头的 Cell 观点论文命名（00:13:28–00:17:40）。
- perturb-seq 的工程化才是真难点：学术方法建立在"处理新鲜细胞、一两小时做完"上；全基因组规模要在 14 小时里处理上亿个细胞。解法是化学固定锁死细胞状态 → 错时作业 → 天然无 batch effect（00:27:52–00:30:57）。数据设计的度量是"每美元的信息比特"，不是细胞数（00:32:59）。
- 架构：自回归 → diffusion。"自回归是打字，diffusion 是编辑"；表达数据是矩阵，打乱基因顺序生物学不怎么变，顺序假设只是为复用语言模型技巧付的税（00:40:12–00:43:19）。
- 消融排序：数据质量/规模 > 架构 > 先验知识（Bo 注明只适用于他们这套架构，00:50:31–00:52:31）。
- MAE 是坏指标：单细胞数据极稀疏，"细胞平均谱"是极好的 MAE 局部最优，有时 MAE 比技术重复还低——"这本身就说明指标不可靠"。主推 Pearson Delta（预测的变化量 vs 真实变化量）："这个很难作弊。"Chu 的方法论一句："What gets measured will get improved."（01:02:53–01:04:59）
- 泛化三证：静息 T 细胞 → 激活 T 细胞；10 种 iPSC 分化类型留一未训 → 预测准；T 细胞系 → Alex Marson 实验室的原代 T 细胞多供体数据（00:55:38–01:00:50）。
- 不为取代实验："虚拟细胞的圣杯是泛化到那些更难甚至不可能做实验的上下文。"动机：90% 的疾病无药可治，三期成功率只有 5–10%（01:00:50）。
- 开放科学：模型和数据全开源，理由是 PDB 先例——开放数据 → AlphaFold/RoseTTAFold → 整个蛋白领域繁荣。"虚拟细胞这个领域太早了，捂着没好处"（01:18:20–01:20:23）。
- 学术界的处境与不可替代性（Bo）："学生加入教授实验室问的第一个问题是'你有多少张 GPU'"；但 Chu 逐一点名 CRISPR、CRISPR 高通量筛选、液滴 scRNA-seq、perturb-seq 全部首先诞生于学术界（Weissman、Regev 等）——"这些创新耗时极长、发现极偶然，未必适合纯工业界扛；一旦露苗头，规模化和稳健化工业界做得很好"（01:12:10–01:18:20）。
- 品味 > 代码："在 agentic AI 时代人人都能写代码了，更重要的是对项目有正确的品味，这样你才不会漫无目的地烧 token"；工作方式已位移为"agent 写大部分代码，人把大部分时间花在调试上"（01:21:26–01:23:31）。
- 两个魔杖：Chu 要基因组学规模的高通量蛋白测量（"蛋白才是细胞里的功能单元"——丰度、翻译后修饰、定位、构象）；Bo 要能对同一批细胞多时点重复测序的技术（"现在为了测序你必须杀死细胞"）——"那才是真正的虚拟细胞"，因为现在建模的一切都是静态的（01:25:37–01:27:37）。
⚠️ 一条正交的批评：同一批工作，不同的处方（Eric Nguyen，2026-09-23）¶
Eric Nguyen（Evo 一作、Radical Numerics CEO）在这一期（[00:39:17]）批评了同一批"虚拟细胞"工作，但诊断与处方都和 Xaira 不同：
⚠️ "人们谈虚拟细胞时，往往只聚焦 RNA 和转录本，然后就想泛化到描述一整个细胞。但一个细胞显然远不止那些。如果你想学一个系统，你要从那个系统所有的信号或传感器去学——DNA、代谢组、表观基因组、蛋白组，那时候你才靠近所谓的虚拟细胞。"
⚠️ 两条路线正交，本库并列不裁决：
| Xaira | Eric Nguyen | |
|---|---|---|
| 诊断 | 描述性数据学不出因果——"有 N 种因果结构能拟合同一份相关性数据" | 模态太少 |
| 处方 | 换数据类型：要因果数据（扰动实验） | 加模态：融合所有传感器，且先在 DNA 上预训练再往上叠 |
- ⚠️ 两家有一处隐含的共识：Chu 的"魔杖"要的是基因组学规模的高通量蛋白测量（"蛋白才是细胞里的功能单元"），这在方向上与 Eric 的"要融合蛋白组"一致——分歧在于这是不是最关键的缺口。
- ⚠️ 一处真正的分歧：Xaira 认为观测数据再多也不够（因果不可辨识）；Eric 的论证完全建立在无监督预训练的数据量优势上（"基因组数据几乎全都没有标注，所以能从无监督学习是极其可取的"，同期 [00:25:54]）。这两条不能同时为真到底。本库记为待跟踪。