Tahoe-100M 里的胶质瘤只有 3.6%：预测留出的胶质瘤细胞系，几乎全靠所有细胞系共有的药物反应

研究问题

• Tahoe-100M 中留出的胶质瘤细胞系，其药物反应能否比“直接取其他细胞系平均”预测得更好？
• 对胶质瘤细胞系的预测是否主要是三个胶质瘤细胞系之间的内插？胶质瘤细胞系是否比其他细胞系更难预测？

当前认识

我们的判断：我们原本要检验的假说（“Tahoe-100M 上的胶质瘤预测主要是三个胶质瘤细胞系之间的内插，且无法迁移”）只对了一半，因此改了标题。Tahoe-100M 确实只有三个传统贴壁胶质瘤细胞系（A-172、H4、SW 1088，占全部细胞行的 3.57%；CCF-STTG1 只出现在元数据中，没有细胞）。但在我们的重算中，留出的胶质瘤细胞系并不能靠另外两个胶质瘤细胞系来预测：另外两个胶质瘤细胞系的平均反应明显不如 47 个非胶质瘤细胞系的平均（官方差异表达表：MSE +0.18，Pearson −0.21）。真正能预测胶质瘤细胞系的，是所有细胞系共有的反应：按药物取训练集平均，在留出的胶质瘤细胞系上 Pearson 达 0.57（差异表达表）/0.65（细胞级）；基于基线表达的岭回归稳定地胜过它，但幅度很小（MSE 降低 0.8% / 4%，置信区间不含 0）；按基线表达找最近邻细胞系并不稳定有效。胶质瘤细胞系并不系统性地更难（在 48 个可评估细胞系中，A-172 难度排第 24–33 位，H4 第 13–14 位）；SW 1088 属最难之列，这与其细胞数少一致。确定性：对本数据上的计算为中等；推广到这三个细胞系以外为低。未检验：胶质瘤干细胞样细胞、患者来源模型、类器官、体内。

范围与阅读方式。本页是对一个公开数据集的评论，附我们自己的重算；不给模型排名，未评估任何深度学习模型。公开事实一句话：Tahoe-100M（Tahoe Therapeutics，原 Vevo）在 50 个肿瘤细胞系上测了约 1 亿个细胞、379 种药物 × 3 个剂量加 DMSO，所有细胞系在同一孔中混合培养（预印本 VC0041；Cell 2026 VC0042）。 VC0041 · 预印本 VC0042

B1 —— 胶质瘤覆盖少且都是传统细胞系。obs_metadata（100,648,790 行）中：A-172 2,352,722 行、H4 1,075,515 行、SW 1088 163,938 行（合计 3.57%；通过完整质控的细胞中占 3.67%）；CCF-STTG1 为 0。基线表达（由差异表达表推得的近似值）显示三者 CD44、VIM、EGFR 均偏高（50 个细胞系中排第 5–19 位），但 SOX2、OLIG2、GFAP、PTPRZ1 几乎不表达（CP10k ≤ 0.04）；NES 仅在 A-172 中较高。它们是偏间充质的贴壁细胞系，不是干细胞样或 OPC/NPC 样模型。H4 是神经胶质瘤细胞系。确定性：计数为高；标志基因水平为中等（基线为近似值）。 VC0042

B2 —— 三个胶质瘤细胞系基线相似，药物反应却不相似。基线：每个胶质瘤细胞系的另外两个，都在其 49 个近邻中排第 1–6 位。反应（官方差异表达表上有效条件的反应向量相关）：A-172 与 H4 相关 0.52，但 SW 1088 的反应在 A-172 和 H4 的近邻中排第 46/49 位。因此，用另外两个胶质瘤细胞系来预测，在两种数据来源上都不如用 47 个细胞系的平均（表 2）。假说中“三个胶质瘤细胞系之间内插”这部分不成立。确定性：中等。

B3 —— 共有反应占主导，简单方法增益很小。在留出的胶质瘤细胞系上（用 47 个非胶质瘤细胞系训练），按药物的训练集平均是要超越的基准。基于基线主成分的岭回归在 87%（差异表达表）/98%（细胞级）的条件上胜出，但幅度仅为 −0.0029（均值 MSE 0.375）和 −0.0004（均值 0.0090）；其打乱特征的零模型与平均相同。按基线找最近邻在差异表达表上更差，在细胞级上略好。若允许看到留出细胞系对一半药物的反应（情境内 kNN），细胞级有效条件上 MSE 降低 0.0011。半数细胞技术重复（全部条件 Pearson 0.71；有效条件 0.82）表明确实存在细胞系特异信号：在有效条件上，岭回归只追回了平均与技术重复之间差距的约四分之一（−0.0007 / −0.0030）。确定性：中等。

B4 —— 胶质瘤在难度上并不特殊。在 48 个可评估细胞系的留一法中，按训练集平均的 Pearson 排序（1 = 最难）：A-172 第 33（差异表达表）/24（细胞级）位，H4 第 13/14 位，SW 1088 第 1/3 位。最难的细胞系（NCI-H661、SW 1271、SW 1088、AN3 CA、CHP-212）都是细胞数最少的，所以这里的难度主要反映测量噪声，而不是组织来源。假说中“无法迁移”只在弱意义上成立：无论胶质瘤还是非胶质瘤细胞系，都没有方法比平均好很多。确定性：中等。

B5 —— 为什么平均在这里显得强。在 Tahoe 的设计中，同一条件下的所有细胞系共处一孔、共用一个板的 DMSO 对照，因此孔水平的技术效应同时存在于训练集平均和真值中。同一药物同一剂量在另一块板上的结果，与自身的一致性反而不如平均（跨板重复 Pearson 0.25，平均为 0.57；差异表达表，406 对胶质瘤条件）。在独立实验中测的胶质瘤模型不会共享这些效应，所以本页数字对真实迁移而言可能偏乐观。确定性：共享孔效应存在为中等；其大小在此未与生物学分开。 VC0042

什么会改变我们的看法。（1）有模型在留出的胶质瘤细胞系或类器官上，以校准过的幅度胜过按药物的训练集平均（例如追回与技术重复之间相当一部分差距，并给出按药物自助法的置信区间），尤其是在留出细胞系于独立实验中测得时。（2）新数据加入胶质瘤干细胞样细胞或患者来源模型，例如已宣布的 Tahoe/Arc/Biohub 数据集（VC0158；仅为公告，未确认含胶质瘤）。（3）有证据表明在控制噪声后，胶质瘤模型的反应按组织聚类——我们的数据未显示这一点。 VC0158

证据图谱

原始研究与数据集

• VC0041 · 预印本 Tahoe-100M : A Giga-Scale Single-Cell Perturbation Atlas for Context-Dependent Gene Function and Cellular Modeling — Zhang J et al., bioRxiv, 2025
• VC0042 Tahoe-100M: Mapping drug-induced molecular phenotypes at single-cell resolution. — Zhang J et al., Cell, 2026

扰动与验证证据

• VC0158 Tahoe Therapeutics, Arc Institute, and Biohub Partner to Generate the Largest Perturbation Dataset for Virtual Cell Models — Tahoe Therapeutics; Arc Institute; Biohub, Tahoe news (company announcement), 2026

本页引用文献库条目 3 条，其中预印本（未经同行评审）1 条。

本页涉及的实体

• EGFR 基因
• 简单线性基线 方法与概念
• 间充质样状态 细胞状态
• 神经祖细胞样状态 细胞状态
• OLIG2 基因
• 少突胶质前体细胞样状态 细胞状态
• Tahoe-100M 数据集

方法与结果（本站自行分析）

这是 GlioState 对公开数据的探索性再分析，并非同行评审结论。输出文件：tahoe_glioma/README.md · tahoe_glioma/results_de.json · tahoe_glioma/results_de_effmask.json · tahoe_glioma/results_raw.json · tahoe_glioma/cell_counts.json · tahoe_glioma/raw_summary.json · tahoe_glioma/report_de.txt · tahoe_glioma/report_raw.txt（分析脚本本身未在本站发布）

数据、代码与局限

数据：Hugging Face tahoebio/Tahoe-100M，版本 349e2a55（2026-10-14），CC0。官方伪批量差异表达表全部 1,026 个分片（约 89 GB，流式读取），以及偶数编号的 1,694 个原始表达分片（约 178 GB，流式读取，约占 50% 细胞）。任务：用其他细胞系预测留出细胞系对某一药物×剂量的反应向量（2,000 个基因）。LOGO = 用 47 个非胶质瘤细胞系训练；LOO = 每个细胞系轮流留出。95% 置信区间 = 按药物自助法（2,000 次）。“有效”条件 = 平均平方变化高于该细胞系 DMSO 孔对 DMSO 孔零分布的第 95 百分位。代码与步骤见 analysis/tahoe_glioma/README.md。8 核 CPU 约 1.5 小时。

表 1：留出的胶质瘤细胞系（A-172、H4、SW 1088 合并），用 47 个非胶质瘤细胞系训练，全部条件

表 1 解读。两种来源的 MSE 尺度不同（log2FC 与 log1p）。岭回归在两者中都稳定胜过平均，但幅度很小；在差异表达表仅取有效条件（n = 751）时，岭回归为 −0.0061 [−0.0075, −0.0049]，平均的 MSE 为 0.225。

表 2：是胶质瘤细胞系之间的内插吗？另外两个胶质瘤细胞系的平均减去 47 个细胞系的平均

表 3：48 个可评估细胞系中的难度排名（留一法；1 = 训练集平均 Pearson 最低）

数字来源：analysis/tahoe_glioma/results_de.json、results_de_effmask.json、results_raw.json、cell_counts.json、raw_summary.json。

尚不确定之处

我们的分析使用官方差异表达表（数据集 README 未说明其方法）和由 50% 原始分片得到的细胞级伪批量；差异表达表的“基线”是由 baseMean 推得的近似值；每板仅两个 DMSO 孔，使“有效条件”阈值较粗；细胞级技术重复与真值共用对照；岭回归与最近邻为简单重实现，仅用一套基因面板（在非胶质瘤细胞系上选出的 2,000 个基因）。两个细胞系（NCI-H596、NCI-H2122）细胞太少，无法评估。

本页未检验：胶质瘤干细胞样细胞、患者来源培养物或类器官、体内反应、细胞活力或药物敏感性（只看表达变化）、深度学习虚拟细胞模型，以及向 Tahoe 混孔设计之外实验的迁移。本页内容不支持任何临床论断。

相关问题

• 当论文报告均值或线性基线可与深度模型比肩时，它们比较的是同一对象、同一指标、同一类扰动吗？
• 哪些机制会使与扰动无关的预测器看起来不错（共享响应、噪声、靶基因、指标），各论文实际检验了哪些？
• 文献库中收录了哪些大型扰动数据集与建库平台，其记录就规模与细胞体系说明了什么？
• 哪些陈述属于数据生产方的自述而非独立评估？