这项由加州大学圣地亚哥分校联合阿联酋穆罕默德·本·扎耶德人工智能大学、卡内基梅隆大学以及德克萨斯A&M大学的研究团队在2025年神经信息处理系统会议(NeurIPS 2025)上发表，研究编号为arXiv:2602.11609v1。感兴趣的读者可以通过该编号查询完整论文。

细胞研究就像是在观察一个繁忙的城市。每个细胞都像是城市中的居民，它们有着不同的职业（细胞类型）、不同的成长轨迹（发育过程），以及复杂的社交网络（基因调控关系）。传统的生物学研究就像是雇佣了一群只会使用特定工具的专业调查员，每个人只负责城市调查的一小部分工作。有人专门负责给居民分类，有人专门追踪居民的成长历程，有人专门研究居民之间的关系。这些调查员虽然专业，但他们彼此之间缺乏沟通，而且他们的工作报告往往充满了专业术语，普通人很难理解他们到底发现了什么。

更麻烦的是，这些传统调查员就像是使用说明书已经丢失的老式机器，研究人员需要凭经验和直觉来调整各种参数，但往往不知道为什么要这样调整，也不清楚最终的结果是否真的可靠。这就导致了一个问题：当我们想要了解细胞这个"城市"的真实面貌时，我们得到的往往是一堆看不懂的技术报告，而不是清晰易懂的调查结论。

研究团队决定培养一位全新的AI生物学家，他们称之为SCPILOT。这位AI生物学家就像是一个经验丰富、善于沟通的城市规划师。与传统的专业调查员不同，SCPILOT不仅能够熟练使用各种调查工具，更重要的是，它能够用人类的语言清晰地解释它在城市调查中发现的每一个细节。当SCPILOT分析细胞数据时，它会像人类专家一样思考，逐步提出假设，寻找证据，得出结论，并且能够用简单明了的语言告诉研究人员它的每一步推理过程。

这种"边思考边解释"的工作方式被研究团队称为"生物数据原生推理"。简单来说，就是让AI直接与原始的细胞数据对话，就像一位经验丰富的生物学家在显微镜前仔细观察样本，边观察边思考边做记录一样。SCPILOT不是简单地调用现有的分析工具，而是像人类专家一样，先观察数据，形成假设，然后有针对性地选择合适的工具来验证假设，最后用通俗的语言解释发现的现象。

为了测试这位AI生物学家的能力，研究团队创建了一套名为SCBENCH的"考试系统"。这套系统包含了9个不同难度的"考题"，涉及细胞身份识别、细胞发育轨迹追踪，以及细胞内基因调控网络分析等三大类任务。这些考题都来自真实的科研数据，有标准答案，就像是为AI生物学家准备的专业资格考试。

实验结果显示，SCPILOT的表现相当出色。在细胞身份识别任务中，使用先进推理模型o1的SCPILOT比传统的一步式分析方法准确率平均提升了11%。在细胞发育轨迹分析中，使用Gemini-2.5-Pro模型的SCPILOT将轨迹图的编辑距离减少了30%，这意味着它能够更准确地还原细胞的真实发育过程。更重要的是，SCPILOT在工作过程中生成的推理记录就像是一本详细的实验日志，研究人员可以清楚地看到AI是如何一步步得出结论的，哪些基因标记存在争议，哪些调控逻辑需要进一步验证。

一、让AI学会像生物学家一样思考

传统的生物数据分析就像是工厂流水线。研究人员将细胞数据输入到一个个专门的分析软件中，每个软件都有自己固定的处理程序，最终输出一堆数字和图表。这个过程虽然高效，但存在几个明显的问题。首先，每个软件都像是一个"黑箱"，研究人员知道输入什么会得到什么输出，但不知道中间发生了什么。其次，不同软件之间很少交流，就像是工厂里不同车间的工人各自为政，缺乏协调。最后，这些软件的输出通常是冷冰冰的数字，需要有经验的研究人员来解读其生物学意义。

SCPILOT采用了完全不同的方法。它更像是一个有血有肉的生物学家，会思考、会质疑、会解释。当面对一份细胞数据时，SCPILOT首先会"阅读"数据的背景信息，了解这些细胞来自哪个组织、在什么条件下培养、实验的目的是什么。然后，它会仔细观察数据中的模式，就像生物学家在显微镜下观察细胞形态一样。基于这些观察，SCPILOT会提出初步假设，比如"这群细胞可能是肝脏中的某种特定类型"或者"这些细胞似乎正在经历分化过程"。

有了假设之后，SCPILOT会有针对性地选择合适的分析工具来验证。比如，如果它怀疑某群细胞是免疫细胞，它会专门查看与免疫功能相关的基因表达情况。如果初步分析结果与假设不符，SCPILOT会像人类科学家一样重新思考，调整假设，进行进一步的分析。整个过程中，SCPILOT会详细记录自己的每一个想法和推理步骤，就像是在写实验日志。

这种工作方式的最大优势在于透明性和可解释性。当SCPILOT告诉研究人员"这群细胞是巨噬细胞"时，它不是简单地给出一个标签，而是会详细解释："我注意到这些细胞高表达CD68和CD14基因，这两个基因是巨噬细胞的经典标记。同时，这些细胞还表达了一些与吞噬功能相关的基因，这进一步证实了我的判断。不过，我也发现有几个细胞表达了一些不太典型的基因，可能需要进一步的分析来确定它们的具体亚型。"

为了实现这种"思考式"分析，SCPILOT的架构包含三个关键组件。第一个是"问题转文本转换器"，它负责将复杂的生物数据转换成AI能够理解的文字描述。想象一下，如果你要向朋友描述一张复杂的图片，你不会把每个像素的颜色值都报出来，而是会挑选重要的特征进行描述。这个转换器就是在做类似的工作，它会从包含数万个基因、数千个细胞的庞大数据集中提取最重要的信息，用自然语言描述出来。

第二个组件是"生物工具库"，这就像是SCPILOT的工具箱。里面装着各种专业的生物信息学分析工具，比如用于细胞聚类的Scanpy、用于发育轨迹分析的Monocle、用于基因调控网络分析的SCENIC等。与传统方法不同的是，SCPILOT不是盲目地使用这些工具，而是根据当前的分析需求和假设，有选择性地调用相应的工具。

第三个组件是"大语言模型推理器"，这是SCPILOT的"大脑"。它负责理解数据描述、形成假设、选择工具、解释结果，并且能够进行自我反思和纠错。当分析结果与预期不符时，它会重新审视自己的推理过程，寻找可能的错误或遗漏，然后调整分析策略。

二、为AI生物学家准备的专业考试

为了客观评估SCPILOT的能力，研究团队开发了SCBENCH，这是第一个专门针对生物数据原生推理能力的标准化测试平台。就像医生需要通过执业医师考试、律师需要通过司法考试一样，AI生物学家也需要接受专业能力的考验。

SCBENCH的设计理念很简单：如果一个AI系统真的具备了生物学家的分析能力，那么它应该能够处理真实科研中遇到的各种复杂问题，并且给出可靠的答案。基于这个理念，研究团队精心挑选了9个来自不同研究领域的高质量数据集，涵盖了单细胞生物学研究的三大核心任务。

细胞身份识别是最基础也是最重要的任务。就像人口普查需要准确记录每个人的职业一样，单细胞分析的第一步就是要准确识别每个细胞的类型。研究团队选择了三个具有代表性的数据集进行测试。第一个是来自10x Genomics公司的PBMC3k数据集，包含了人类外周血中的主要免疫细胞类型，这是一个相对简单的测试案例，因为不同类型的免疫细胞有着相对明确的标记基因。第二个是小鼠肝脏数据集，难度中等，因为肝脏中的细胞类型更加多样，而且有些细胞类型的标记基因存在重叠。第三个是人类视网膜数据集，这是最具挑战性的，因为视网膜中存在多种功能相近但又有细微差别的神经细胞类型。

细胞发育轨迹重建是第二大类任务。这就像是要重现一部关于细胞成长的纪录片，需要准确追踪细胞从幼稚状态到成熟状态的整个发育过程。研究团队选择了三个具有清晰发育时间序列的数据集：小鼠胰腺发育数据集记录了胰腺细胞在胚胎期的分化过程，小鼠肝脏发育数据集展现了肝脏细胞的成熟轨迹，而人类大脑皮层数据集则揭示了神经元的发育历程。这些数据集的特点是有明确的时间信息和专家标注的发育轨迹，可以作为评估SCPILOT轨迹重建能力的黄金标准。

基因调控网络预测是最复杂的任务。基因之间的调控关系就像是细胞内的社交网络，需要准确识别哪个转录因子调控哪个靶基因。研究团队从GRNdb数据库中选择了胃、肝、肾三个组织的基因调控网络数据，并且使用TRRUST数据库中经过实验验证的调控关系作为标准答案。这类任务的难点在于，基因调控关系往往是间接的、条件依赖的，需要综合考虑基因功能、表达模式、以及生物学背景知识。

对于每一类任务，SCBENCH都设计了相应的评估指标。细胞身份识别任务使用准确率作为主要指标，但不是简单的对错判断，而是考虑了细胞类型之间的生物学相似性。比如，如果SCPILOT将"CD8阳性T细胞"误判为"CD4阳性T细胞"，这种错误的严重程度显然比误判为"肝细胞"要轻一些。细胞发育轨迹重建任务使用了三个互补的指标：节点相似度衡量细胞类型识别的准确性，图编辑距离评估轨迹结构的准确性，谱距离则从整体拓扑结构的角度评价轨迹的合理性。基因调控网络预测任务使用ROC曲线下面积(AUROC)作为主要指标，这是评估二分类任务性能的经典方法。

除了数值指标之外，SCBENCH还特别注重评估AI系统推理过程的生物学合理性。毕竟，仅仅给出正确答案是不够的，AI生物学家还需要能够解释自己的推理过程，这样研究人员才能判断这个答案是否可信，是否具有生物学意义。

三、八位AI模型的能力大比拼

为了全面评估SCPILOT的性能，研究团队邀请了八位不同"性格"的AI模型参与测试。这些模型就像是不同背景、不同能力水平的生物学家，有的经验丰富但工作缓慢，有的反应敏捷但有时会出错，有的专业知识扎实但表达能力一般。

测试阵容中的明星选手是OpenAI的o1模型，这是一个专门针对复杂推理任务优化的大型语言模型。o1模型就像是一个深思熟虑的资深教授，它会仔细分析每一个细节，逐步推理，虽然思考时间较长，但给出的答案通常很有说服力。实验结果显示，在SCPILOT框架下，o1模型在细胞身份识别任务中表现最为出色，在PBMC3k数据集上达到了79.2%的准确率，比直接提问的方式提高了12.5个百分点。

Google的Gemini家族也派出了三位代表参加测试。Gemini-2.5-Pro是其中的佼佼者，特别擅长处理细胞发育轨迹重建任务。它就像是一个有着丰富临床经验的医生，能够敏锐地捕捉到细胞发育过程中的关键节点和转折点。在肝脏发育轨迹重建任务中，Gemini-2.5-Pro在SCPILOT框架下将图编辑距离从8.00减少到3.33，准确性提升了58%。Gemini-2.0-Pro和Gemini-2.0-Flash则分别代表了稳重型和敏捷型的分析风格，前者注重准确性，后者追求效率。

GPT家族派出了两位成员：GPT-4o和GPT-4o-mini。GPT-4o可以看作是一个全能型的研究者，在各项任务中都有不错的表现，特别是在基因调控网络预测任务中显示出了良好的生物学直觉。GPT-4o-mini虽然能力相对有限，但胜在反应快、成本低，适合处理一些相对简单的分析任务。

最有趣的对比来自o1-mini模型。它就像是o1模型的"学生版"，继承了导师的推理能力，但在知识储备和处理复杂问题的能力上还有差距。在简单的PBMC数据集上，o1-mini表现不错，但在复杂的视网膜数据集上就显得力不从心了。

研究团队还测试了开源模型Gemma-3-27B，这是Google开源的一个270亿参数的大型语言模型。然而，实验结果显示，开源模型在生物数据分析任务上的表现明显不如商业模型。这主要有两个原因：首先，开源模型的生物学知识储备相对有限，对于一些专业的基因名称和生物学概念理解不够准确；其次，开源模型的指令跟随能力较弱，很难严格按照要求输出结构化的分析结果。

从整体结果来看，SCPILOT框架确实能够显著提升AI模型在生物数据分析任务上的表现。在108个对比测试中，有87个测试显示SCPILOT优于直接提问的方式，胜率超过80%。特别值得注意的是，SCPILOT的改进效果在复杂任务上更加明显。在相对简单的PBMC数据集上，一些模型即使使用直接提问的方式也能取得不错的结果，但在复杂的视网膜数据集上，SCPILOT的优势就变得非常明显了。

有趣的是，研究团队发现了一个"过度思考"现象。在少数情况下，特别是面对一些边界模糊的细胞类型时，SCPILOT会因为考虑过多的细节而做出错误判断。比如在肝脏数据集中，SCPILOT有时会将发育阶段相近的肝细胞和肝母细胞混淆，因为它试图整合过多的相似性信息。相比之下，简单的直接提问有时候反而能够抓住主要特征，给出正确答案。这提醒我们，人工智能的推理能力虽然强大，但仍然需要在复杂性和准确性之间找到平衡。

四、成本效益分析：物超所值的AI助手

许多研究人员担心使用先进的AI模型会带来高昂的成本，特别是对于资金紧张的学术实验室来说。为了解决这个疑虑，研究团队详细计算了使用SCPILOT进行各类分析任务的实际成本，结果令人惊喜。

以Gemini-2.5-Pro模型为例，完成一次细胞身份识别分析的成本仅为3美分，完成一次轨迹重建分析的成本为4美分，即使是最复杂的基因调控网络分析，成本也只有12美分。这意味着即使是预算有限的研究团队，也完全可以负担得起SCPILOT的使用成本。要知道，传统的单细胞分析往往需要投入大量的人力和时间，一个有经验的生物信息学研究人员可能需要花费数天时间来完成一项复杂的分析任务，而SCPILOT可以在几分钟内完成同样的工作。

更重要的是，SCPILOT的成本效益远超通用型AI助手。研究团队将SCPILOT与Biomni（一个知名的通用生物医学AI助手）进行了详细对比。结果显示，SCPILOT的运行成本比Biomni低20-30倍，运行时间也快得多。这主要得益于SCPILOT针对单细胞分析任务进行了专门优化，它知道什么时候需要调用什么工具，不会像通用助手那样进行大量无用的尝试。

在可靠性方面，SCPILOT也表现出明显优势。Biomni在处理复杂的基因调控网络分析任务时经常失败，而SCPILOT能够稳定地完成各类任务并给出合理的结果。这种可靠性对于科学研究来说至关重要，因为研究人员需要确保分析结果的准确性和一致性。

时间效率也是SCPILOT的一大优势。不同AI模型的运行时间差异很大，GPT-4o通常能在4秒内完成一次分析，而Gemini-2.5-Pro需要约30秒。虽然Gemini模型速度较慢，但考虑到它在准确性方面的优势，这个时间成本仍然是可以接受的。相比之下，传统的人工分析可能需要数小时甚至数天时间。

对于那些希望使用开源模型来降低成本的研究团队，实验结果可能会让他们失望。研究团队测试了当时最好的开源模型Gemma-3-27B，发现它不仅在准确性方面远不如商业模型，在计算成本方面也没有明显优势。运行Gemma-3-27B需要4块NVIDIA A100 GPU，单次分析耗时超过135秒，远超GPT-4o的8.8秒。考虑到GPU的高昂租赁成本，开源模型的总成本实际上可能更高。

五、透明推理：看得见的思考过程

SCPILOT最令人印象深刻的特性不是它的高准确率，而是它的"透明思维"。传统的分析工具就像是一个沉默寡言的专家，它会给你一个结果，但不会告诉你为什么。而SCPILOT更像是一个善于表达的老师，它会详细解释自己的每一个推理步骤，让你清楚地看到它是如何得出结论的。

在细胞身份识别任务中，SCPILOT展现出了类似人类专家的多基因逻辑推理能力。当面对一群表达多个标记基因的细胞时，SCPILOT不会简单地根据某个单一基因的表达量来下结论，而是会综合考虑多个基因的表达模式。比如，在分析人类外周血细胞时，SCPILOT发现某些细胞高表达NKG7基因，这个基因通常与自然杀伤细胞（NK细胞）相关。但是，SCPILOT没有立即得出"这些是NK细胞"的结论，而是进一步检查了其他相关基因的表达情况。

SCPILOT的分析过程是这样的："我注意到这些细胞确实高表达NKG7，但仅凭这一个基因还不足以确定细胞类型，因为一些激活的T细胞也会表达NKG7。让我看看其他标记基因的情况。这些细胞还高表达GNLY和GZMB，这两个基因编码的蛋白质都与细胞毒性功能相关。同时，我发现这些细胞不表达CD3D，这是T细胞的特征性标记。综合这些信息，我可以确信这些细胞是NK细胞而不是细胞毒性T细胞。"

这种详细的推理过程对于科学研究非常有价值。研究人员可以清楚地看到SCPILOT的判断依据，如果对某个结论有疑问，可以追溯到具体的推理步骤进行验证。更重要的是，SCPILOT还会主动指出分析中的不确定性和潜在问题。比如，当某些细胞表达了不太典型的基因组合时，SCPILOT会明确说明："这几个细胞的基因表达模式有些特殊，可能需要进一步的实验验证来确定它们的确切亚型。"

在细胞发育轨迹重建任务中，SCPILOT展现出了自我纠错的能力。起初，SCPILOT可能会基于基因表达的相似性构建一个初步的发育轨迹。然后，它会调用专业的轨迹分析工具（如Monocle）来验证这个初步结果。如果发现不一致的地方，SCPILOT会重新思考，调整自己的分析。

以小鼠肝脏发育分析为例，SCPILOT最初构建的轨迹将某种胚胎细胞设为起点。但是，当它调用Monocle进行验证时，发现这个起点在生物学上不太合理。SCPILOT随即开始自我反思："等等，我把原始生殖细胞设为了发育起点，但这在肝脏发育的语境下是不对的。肝脏发育应该从多能干细胞开始，经过内胚层分化，最终形成肝细胞。让我重新构建这个轨迹。"经过调整，SCPILOT构建出了一个更符合生物学原理的发育轨迹，将多能干细胞设为起点，清晰地展现了肝细胞的分化过程。

在基因调控网络分析中，SCPILOT展现出了组织特异性推理的能力。不同组织中的基因调控关系可能存在差异，同样的转录因子在不同组织中可能调控不同的靶基因。SCPILOT能够考虑到这种组织特异性，并且会明确说明自己推理的生物学基础。

比如，在分析转录因子STAT1是否调控基因IRF7时，SCPILOT的推理过程是："STAT1是干扰素信号通路中的关键调节因子，而IRF7是I型干扰素反应的主要放大器。在胃组织的抗病毒免疫反应中，这两个基因经常协同表达。虽然在胃组织中直接的调控证据有限，但它们在功能上的相关性（都参与病毒防御反应）使得STAT1直接调控IRF7是合理的。"这种推理不仅考虑了基因的功能，还考虑了组织的生理特点，显示出了良好的生物学直觉。

六、发现问题和局限性

尽管SCPILOT在大多数测试中表现出色，但研究团队也诚实地报告了它的局限性和偶尔出现的问题。这种坦诚的态度反映了严格的科学精神，也为未来的改进指明了方向。

最有趣的发现是"过度思考"现象。在21个模型-任务组合中，简单的直接提问竟然比复杂的SCPILOT推理表现更好。深入分析发现，这种情况主要出现在两种情况下：一是使用能力有限的"mini"模型时，二是处理异常复杂的数据集时。

能力有限的模型就像是初学者，当面对复杂的推理任务时，它们容易"迷路"。比如GPT-4o-mini在分析人类外周血细胞时，会同时提出过多的细胞类型假设，然后在验证过程中变得混乱，最终给出错误的结论。相比之下，简单的直接提问让这些模型能够专注于最明显的特征，反而能给出正确答案。

即使是能力强大的模型，在面对极其复杂的数据时也可能"想太多"。在小鼠肝脏数据集的分析中，o1模型有时会过度关注肝细胞和肝母细胞之间的细微差别，试图整合过多的相似信息，结果反而做出了错误的分类。这就像是一个过于谨慎的医生，考虑了太多的可能性，反而错过了最明显的诊断。

另一个重要发现是开源模型的局限性。Gemma-3-27B虽然是当时最好的开源模型，但在生物数据分析任务上的表现明显不如商业模型。这主要反映在两个方面：生物学知识的不足和指令跟随能力的欠缺。开源模型经常无法正确理解一些专业的基因名称，也难以按照要求输出结构化的分析结果。这意味着，至少在当前阶段，高质量的生物数据分析仍然需要依赖商业模型。

数据压缩也是一个潜在的问题。由于当前大语言模型的上下文长度限制，SCPILOT需要将包含数万个基因、数千个细胞的复杂数据集压缩成简洁的文本描述。这个压缩过程可能会丢失一些重要的细节，特别是那些存在于少数细胞中的稀有信号。就像拍摄全景照片时会丢失一些细节一样，数据压缩可能会影响对稀有细胞类型的识别。

此外，SCPILOT目前主要专注于三大类任务，还没有扩展到单细胞生物学的其他重要领域，比如细胞间通讯分析、空间转录组学分析等。这些领域需要更复杂的推理能力和更专业的背景知识，是未来发展的重要方向。

研究团队还发现，SCPILOT偶尔会产生一些看似合理但实际上不正确的解释。这种"幻觉"现象在当前的大语言模型中比较常见。比如，在分析某个基因调控关系时，SCPILOT可能会编造一些听起来很有道理的生物学机制，但实际上这些机制并不存在。这提醒研究人员，虽然SCPILOT的推理过程很有价值，但仍然需要经过专业人员的验证。

说到底，SCPILOT代表了人工智能在生物学研究中应用的一个重要里程碑。它首次实现了让AI像人类生物学家一样思考和推理，不仅能给出准确的分析结果，还能清晰地解释自己的推理过程。这种透明性对于科学研究来说非常宝贵，因为它让研究人员能够理解、验证和改进AI的分析过程。

从实用角度来看，SCPILOT为生物学研究提供了一个高效、经济、可靠的分析工具。以极低的成本，研究人员就能获得媲美资深专家的分析能力，大大降低了单细胞数据分析的门槛。这对于那些缺乏生物信息学专业知识的实验室来说特别有价值。

更重要的是，SCPILOT展示了一种新的人机协作模式。它不是要取代人类研究人员，而是要成为研究人员的智能助手，帮助处理繁琐的数据分析工作，让研究人员能够专注于更具创造性的科学思考。通过提供详细的推理过程，SCPILOT还能帮助培训年轻研究人员，让他们学习如何进行系统性的生物数据分析。

当然，SCPILOT也还有改进的空间。研究团队已经识别出了一些关键的发展方向，包括提高数据压缩的效率、扩展到更多类型的分析任务、增强对稀有细胞类型的识别能力等。随着大语言模型技术的不断进步，相信未来的SCPILOT会变得更加智能和可靠。

对于整个生物学研究领域来说，SCPILOT的出现可能标志着一个新时代的开始。在这个时代，人工智能不再只是一个被动的工具，而是成为了研究过程中的积极参与者。它能够提出假设、设计实验、分析数据、解释结果，与人类研究人员形成真正的智力协作。这种协作模式有可能大大加速生物学发现的进程，帮助我们更快地理解生命的奥秘，更早地找到疾病的治疗方法。

Q&A

Q1：SCPILOT到底是什么样的系统？

A：SCPILOT是一个能像人类生物学家一样思考和分析单细胞数据的AI系统。它不是简单地运行分析工具，而是会观察数据、提出假设、选择合适的工具验证假设，并且能用自然语言详细解释每一个推理步骤，就像一个经验丰富的生物学家在做实验记录一样。

Q2：使用SCPILOT分析数据需要多少钱？

A：SCPILOT的使用成本非常低廉，完成一次细胞类型识别只需要3美分，最复杂的基因调控网络分析也只要12美分。相比传统人工分析需要数天时间，SCPILOT几分钟就能完成，而且准确率更高，对于任何研究预算来说都是物超所值的。

Q3：SCPILOT相比传统分析方法有什么优势？

A：SCPILOT最大的优势是透明性和可解释性。传统方法像黑盒一样只给结果不解释原因，而SCPILOT会详细说明它为什么这样判断，哪些基因支持这个结论，哪些地方还存在不确定性。同时它的准确率也更高，在细胞识别任务中比传统方法平均提升11%。