细胞命运也能反向设计：LabCompass四轮实验把红系祖细胞比例推到22%
核心概要
培养条件的组合与剂量是连续变量，逐一试遍不现实，此前只能从固定候选清单里挑选或做离散搜索。LabCompass把流匹配生成模型与预测细胞表型的前向代理模型耦合，在推理阶段用代理模型的梯度把采样引向能产生目标细胞状态的配方。在脐带血CD34+原代细胞上，四轮实验闭环共产生7800万细胞的谱流式数据，模型在未见过的条件下找回已知的巨核细胞诱导配方，并把红系祖细胞比例提高到22%，约为对照条件的1.6倍。
深度剖析
培养条件的搜索从固定候选清单转向直接生成新配方，目标细胞状态从生成的第一步就参与引导。 此前的细胞表型优化多依赖检索或离散搜索，只在预先定义的候选设计里按诱导目标状态的能力排序，无法产生新设计，也难以处理连续剂量。 在一个人工网格优化问题上，LabCompass与均匀随机搜索在全部测试的维度和分辨率上比较，分辨率为5时相对性能从2维的1.73单调升到30维的97.91。
生成过程从一个逐渐把随机噪声变成真实配方的流出发，每一步都用前向代理模型评估当前候选会诱导出什么细胞组成。 流匹配是一种学习如何把噪声连续变换为数据分布的生成方法，在这里充当配方的先验，把优化限制在实验上合理的区域内。 在脐带血CD34+原代细胞上，116个设计覆盖10种细胞因子或小分子、两种氧浓度和培养天数，用20色谱流式面板共分析5000万个细胞。
实验测量被送回模型，每一轮都同时更新配方先验和前向代理模型。 第一轮先留出6个设计不参与训练，其中设计210在文献中已知能产生约70%的巨核祖细胞，而训练集中没有任何设计超过16%。 模型在未见过设计210的情况下生成了接近其UM171 70 nM与butyzamide 100 nM的配方，且预测不确定性与到设计210的欧氏距离负相关（Spearman ρ = −0.72）。
启示与展望
演示范围是脐带血来源的原代人类CD34+细胞体外培养，读出为20色谱流式细胞术定义的免疫表型；作者指出同一框架也用于HCMV感染的单细胞转录组数据，并认为可扩展到其他干细胞分化、类器官和药物筛选体系。
模型只能找到现有设计空间所支持的目标状态：第三轮加入M-CSF与淋巴cocktail后才富集到单核与早期淋巴群体，而pHSC与Pre-ProB在初始参数下富集有限。作者也指出性能依赖训练数据的质量与多样性，深度学习模型的可解释性有限，且每轮需重新训练前向代理模型带来计算负担。