Tahoe-x1:Tahoe Therapeutics
单细胞基础模型,掩码预训练编码器,含扰动数据的大规模预训练。
单细胞 · AI 原生 biotech · 美国 · 截至 2026-11-16
概况
| 字段 | 内容 |
|---|---|
| 名称 / 别名 | Tahoe-x1;别名:Tx1-70M、Tx1-1.3B、Tx1-3B;有歧义、不自动链接:Tahoe |
| 家族 | 否(三档参数为同一模型规格,不是家族成员) |
| 机构 | Tahoe Therapeutics |
| 机构类型 / 国家 | AI 原生 biotech / 美国 |
| 模型类别 | 单细胞基础模型(掩码预训练编码器) |
| 领域 | 单细胞 |
| 首次发布 | (依据:代码与权重的首个版本发布(v0.1.0);预印本 2025-10-23 稍晚) 模型库仓库 2025-08-25 创建(当时仅 README),按口径不作首发 |
| 其他里程碑 | 最早公开证据 (v0.1.0 发布);预印本 v1 (预印本 v1(10.1101/2025.10.23.683759));代码发布 (GitHub v0.1.0);权重发布 †(未核实)(权重随代码以宽松许可发布) |
| 最近更新 | ,仅维护:仓库新增扰动教程,属维护性改动;本轮未检出新版本或期刊发表。此为最近一次有出处的事件。此为最近一次有出处的事件,不代表此后没有更新 |
| 开放程度 | 代码:开放(Apache-2.0);权重:开放(Apache-2.0);三档权重与代码均以宽松许可公开 |
| 状态 | 仅维护:仅维护性提交,无新版本或期刊发表 |
| 报过的 benchmark | 1 项计入(改协议 1) |
| 湿实验验证 | 1 条记录 |
| 全站实体页 | 无(全站实体库有开发公司页,但无该模型自身的实体页) |
| 截至 | 2026-11-16 |
做什么
用编码器做掩码语言建模,强调以扰动数据参与预训练,下游覆盖基因必需性、细胞类型分类与扰动响应预测。开发方称计算效率比既有细胞状态模型高数倍到数十倍,属公司自述、未独立验证。与 STATE 共用同一套扰动语料,但本模型是表示学习型基础模型,后者是响应预测器;与 Stack 的上下文学习路线亦不同。
报过的 benchmark
按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。1 项计入(改协议 1)。
| Benchmark | 关系类型 | 计入 | 评测集 / 口径 | 来源类型 | 说明 | 出处 |
|---|---|---|---|---|---|---|
| 24 虚拟细胞挑战赛与扰动预测评测 | 开发方自报,协议有改动 | 是 | — | 自报 | 留出细胞背景的扰动响应预测,开发方自建口径并明确不是挑战赛;摘要与模型卡均未给数值 | 出处 |
其他评测(不在 44 项内)
- 公开基因必需性数据集(站外公开 benchmark,自报):整体与细胞背景特异的必需性预测;用的是公开 CRISPR 筛选数据,与扰动响应预测不是一回事,摘要与模型卡只给结论不给数值
- 癌症标志基因与细胞类型分类(自建任务集,自报):摘要称四项任务全部达到当时最好水平,无可引用数值
- 计算效率自述(仅与基线对比,自报):公司称效率高出数倍到数十倍,未独立验证
开发方称:以自产扰动数据参与预训练,使模型在必需性、标志基因、细胞类型与留出背景扰动响应四项上同时达到当时最好水平,且计算效率更高。
独立证据:未检出独立证据(未检出第三方评测或复现;同一数据方的语料也被另一机构模型使用,但那不是对本模型的评测)
训练数据
| 类别 | 值 | 说明 | 出处 |
|---|---|---|---|
| a 公开库 | 是 | 两个公开单细胞图谱与计数集,与自产语料合计 2.66 亿条单细胞图谱 | 出处 |
| b 私有 / 授权 | 未披露 | — | — |
| c 自产 wet lab 训练数据 | 是 | 自产扰动语料:约 1 亿条图谱、1,100 个小分子扰动、50 个癌细胞系;数据方与模型方为同一公司 | 出处 |
| d 仅用于验证的 wet lab | 否 | — | 出处 |
湿实验验证
每个比率都带分子与分母;未核实的条目不给数字。不同版本的来源分开列。
| 实验 | 靶点数 | 受测设计 | 命中 | 成功率 | 最佳亲和力 | 分母口径 | 版本 | 来源类型 | 日期 | 核实 | 执行方 | 说明 | 出处 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 自产扰动语料规模(训练数据,非验证实验) | — | — | — | — | — | 约 1 亿条图谱、1,100 个小分子扰动、50 个癌细胞系;预训练合计 2.66 亿细胞 | primary paper v3 | 自报 | 已核实 | 开发方自有实验平台产出,用于训练而非验证 | 扰动数按本轮裁定取 1,100;新闻稿流传的约 1,200 不采用,同一修正也用于 STATE 的训练数据行 | 出处 |
背景
- 机构:开发方是 2022 年成立、技术源自一所美国大学的单细胞数据与模型公司,总部在加州;改名时间各来源写作 2024-04 或 2025-04。核心资产是其实验平台与自产扰动数据集。员工数无可引用口径,本记录不给。
- 融资:2022-12 种子轮 1,200 万美元;2025-08 A 轮 3,000 万美元(一家基金领投,另有六家机构参与),累计 4,200 万美元,本轮用于建设十亿级单细胞数据集。
- 产品与合作:自产语料的样本制备与测序分别由两家仪器与试剂公司承担,并作为首个数据集开源给一家研究所的细胞图谱;2026-01 与该研究所及一家生物中心宣布联合生成更大的扰动数据集(新闻稿口径:逾 1.2 亿单细胞数据点、约 50 个细胞系、1,400 个化学骨架各三个剂量、100 种细胞因子扰动,先三方共享后开源);2026-01 另与一家抗体平台公司宣布成立合资公司做抗体药物偶联物,起步两个项目、条款未披露。站内关系:STATE 用同一语料训练。
- 相关模型:STATE、Stack、X-Cell
怎么看
- 必需性评测用的是公开 CRISPR 数据,与扰动响应预测不是一回事;四项「最好水平」只有结论没有数值。
- 数据自产使其不依赖第三方语料,但训练与评测同分布的风险也随之存在。
- 效率倍数为公司自述,未独立验证。
- 没有 盲测挑战得分,无法与其他扰动模型在同一盲测上比较。
局限与注意
- 唯一站内配对为改协议自报,且开发方明确不是挑战赛口径。
- 无期刊版本;最近事件仅为仓库维护。
- 扰动数在新闻稿与论文间冲突,本轮取论文口径。
- 自产数据进入训练集,评测与训练同分布的风险需在解读时注明。
来源
- 预印本(预印本)
- 权重与模型卡(包仓库)
- 代码仓库 releases(仓库)
- 自产扰动语料论文(预印本)
- 语料开源公告(第三方机构)(官方网站)
更正记录
以下为本轮核对中改过的字段,原值按记录照录。
本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。