核心研究场景
最大数据量与参数的虚拟细胞模型
从数据到预测的完整闭环
CellAura 是如何工作的？
CellAura如何完成研究任务
1. 提出问题
自然语言，输入科学问题和目标
2. 智能理解
理解研究意图
拆解任务路径
3. 模拟与预测
调用 CellOS 模型
模拟生命系统的响应
4.结果整合
整合分析结果
生成研究洞见
5.科学发现
输出结论和建议
指导实验决策
CellOS 智能引擎：三层模型系统，协同推动研究
01 基础模型
CellOS基于大规模多模态单细胞预训练，理解细胞状态与生命语言。
02 一般扰动模型
CellOS.Pert研究细胞在各种扰动下的响应模式，预测扰动后其状态的变化和趋势。
03 特定领域定制模型
CellOS.Turbo针对特定疾病、细胞类型和研究场景，提供更高精度的预测和分析能力。
免疫细胞
Auralmmune
肿瘤与微环境
AuraOnco
工程化细胞
AuraSynth
药物与开发
AuraDev
更多领域模型
持续扩展
少一些工具操作，多一些科学探索
过去
研究人员适应工具
研究人员
Python
R
Scapy
Seurat
Cell Ranger
工具碎片化
高学习曲线
低效率
高试错成本
今天
工具适应研究人员
科学问题
CellAura 智能体平台
多模态数据
单细胞 | 空间多细胞生物学 | Wenmo知识 | 实验数据
生物知识库
通路 | 调控网络 | 细胞类型 | 文献
CellOS 模型引擎
Simulate before you experiment.
细胞状态解析
扰动响应预测
实验策略推荐
模型-实验闭环迭代
更快获得洞察，降低试错成本，加速科学发现与创新。
自然语言交互
从问题开始
零学习成本
研究任务自主编排
自动规划与执行，
研究人员专注于科学思维
虚拟细胞模型驱动
以模拟缩小实验搜索空间，
降低实验成本
闭环迭代优化
数据和模型不断演变
结果持续积累
核心能力
每一步研究决策,都有AlAgent和虚拟细胞模型的支撑
从原始数据到细胞状态，Agent 编排完整分析链路
用自然语言说明分析目标后，Agent 自动规划并调用质控、整合、分群、注释、差异与富集等能力，把原始单细胞数据变成可交互查看的细胞图谱和结构化解读。这些结果既能单独用来读懂数据，也能作为后续虚拟扰动的共同起点。
细胞类型 / 状态注释与组成解读
差异基因分析与通路富集
UMAP · Marker 热图等结果同屏交互核对
Agent 按任务编排调用多项生信 Skills，过程可复盘
锁定细胞起点，完成可复盘的基因扰动预演
在已注释的细胞状态上，指定基因敲低 / 敲除，或按表型意图发起扰动推荐。自研虚拟细胞引擎输出下游转录与功能影响的可解释预测；每一次推演，系统都会记录参数和模型版本，给结论标注为假说级，供后续的方案设计与湿实验验证参考。
指定基因敲低 / 敲除（KD / KO）预演
按研究意图的扰动推荐（候选排序与机制解读）
差异基因 · 通路 · 功能影响同屏呈现
推演参数与引擎版本可追溯，结论假说级待验证
支持接入垂类模型和自有数据训练
通用扰动底座之上，可接入 Aging-VC / Aging-KG 等垂类模型，也可基于课题自有数据发起在线训练与迭代，产出带编号与版本的领域端点。Agent 在会话中按场景调用已发布模型，使皮肤抗衰及其他专项课题的预测建立在可审计的模型资产上。
垂类虚拟细胞按课题接入（抗衰为首发，可扩展其他领域）
自有数据在线训练 / 微调，提升对应领域扰动表现
模型编号与版本可调用、可对照、可审计
领域知识增强（如 Aging-KG）：证据与推断分口径呈现
平台预测 → 线下验证 → 结果回流，驱动下一轮迭代
虚拟预测形成候选后，系统生成可执行的实验方案草稿（对照、终点、关联预测记录），对接合作实验室完成线下验证。实测数据回流后与预测逐项对照，假说状态回写课题记忆，并可反哺模型与下一轮设计。
实验方案与平台预测记录绑定
线下任务提交、进度跟踪与结果回收
预测 × 实测逐项对照，支持 / 不足 / 否定分状态
假说回写与案例沉淀，反哺模型与下一轮决策
