仮想細胞モデルは、単一細胞測定データから遺伝的、化学的、またはサイトカインによる摂動に細胞がどう応答するかを予測し、in silico実験を可能にすることを目的とする。しかし実際には、大規模な摂動予測は、学習・推論パイプラインの非効率性、高次元かつ疎な遺伝子発現空間におけるモデリングの不安定性、ならびに生物学的忠実性を過小評価する一方で再構成に類する精度を過度に重視する評価プロトコルという、相互に関連する三つのボトルネックによって制約されている。本研究では、これらの制約を一体的に解決する、仮想細胞の摂動予測に特化した大規模基盤モデルSCALEを提案する。第一に、データスループット、分散スケーラビリティ、および展開効率を大幅に改善するBioNeMoベースの学習・推論フレームワークを構築し、同一のシステム設定下で従来の最先端パイプラインに対し、事前学習で12.51倍、推論で1.29倍の高速化を達成した。第二に、摂動予測を条件付き輸送として定式化し、LLaMAベースの細胞エンコーディングと終点指向の教師信号を結合する、集合認識型フローアーキテクチャとして実装した。この設計により、学習の安定性が向上し、摂動効果の復元性能も強化された。第三に、再構成のみではなく、生物学的に有意義な指標を中心とする厳密な細胞レベルのプロトコルを用いて、Tahoe-100M上でモデルを評価した。このベンチマークにおいて、本モデルはSTATEと比較してPDCorrを12.02％、DE Overlapを10.66％改善した。以上の結果は、仮想細胞の発展には、より優れた生成目的だけでなく、スケーラブルな基盤、不安定性を抑えた輸送モデリング、および生物学的忠実性を備えた評価の協調設計が必要であることを示唆する。
https://doi.org/10.64898/2026.03.17.712536