先讲个悖论。预测一种药对某个病人管不管用，最理想是有“用药前”和“用药后”两份分子快照对照。可现实里，你往往只有用药前的那张，用药后的要么没采、要么采不到。PerturbRx 的聪明，在于它绕开了这个死结。
它（arXiv:2608.21349，一作 Inoue、通讯里有密歇根 Hero 和 NIH 的 Luna）学的不是“病人长什么样”，而是“药下去之后，细胞该变成什么样”——一个治疗条件化的潜在状态转换。怎么练的？用“上下文匹配但细胞不配对”的处理组和对照组单细胞数据，训一个药物和剂量条件化的转换预测器，然后冻结它、迁移到只用治疗前的病人谱上，根本不需要治疗后测量。
几个细节：
- 底层吃了 Tahoe-100M 单细胞数据集，再叠 scFoundation（细胞基础模型）和 ChemBERTa（分子表征），等于把“细胞语言”和“药物语言”都先学会；
- 这个“转换特征”和治疗前病人表征、药物表征拼在一起去预测反应；
- 在 TCGA（癌症基因组图谱）和 PDX（患者来源异种移植）上，综合预测性能拿了最强。
收尾钉子：看它在前瞻性临床队列（真·治疗前采样、事后追反应）上的表现，能不能复现 TCGA/PDX 的强势——那才决定它是辅助诊断的候选，还是又一篇漂亮但落不了地的论文。