“模型有机制”与“机制提高预测”是两个判断
这篇观点文章聚焦一个具体问题：在相同训练资料与评价条件下，把已知生化规则写入虚拟细胞，是否比没有这些规则的模型更能预测新的药物或基因干预反应。主要考察的指标是单细胞或重复实验层面的转录变化。
作者所说的机制算子，是一组在拟合前就明确生物学含义的状态方程、反应规则或约束。只给神经网络加入通路名称、知识图谱或可视化解释，并不自动满足这个定义。
比较预测表现，还要单独检验机制的作用
一套混合模型可能比一般预测模型表现更好，但优势也可能来自更多参数、不同输入或更大的调参预算。文章因此把预测优势与机制贡献分别评价。
检验机制贡献时，作者要求保留其余输入、把模型状态转换为可测指标的规则，以及相同的训练机会，只改变机制部分。例如，将同样的模拟特征在最后合并、换成容量匹配的静态网络、换成从数据学习的动力学模型，或改动机制网络的连接结构。只有优于这些恰当参照，才更接近回答“优势是否来自预先指定的生物规则”。
拆分方式、指标和独立样本单位都会改变结论
文章强调，留出新的药物、细胞背景或实验批次，是不同的泛化任务。相关系数究竟跨基因计算、跨干预计算还是把所有条目混在一起，也会影响排名。
同一培养孔或同一供者测出的许多细胞，不能直接当成同样数量的独立生物学重复。作者主张事先固定预测终点和评价规则，并按实际独立实验单位估计不确定性，避免看过测试结果再改变成功标准。
未折叠蛋白反应方案尚处于设计阶段
作者选择未折叠蛋白反应（unfolded protein response，UPR）作为最小检验对象，理由包括通路分支较明确、存在可测量的分子变化，以及能事先说明某种干预作用于模型哪一部分。
拟议路线从可行性检查和直接测量开始，逐步推进到留出干预、第二种细胞背景和前瞻实验。论文明确说，这些阶段尚未执行：没有生成新实验数据，没有实现或拟合模型，也没有新的预测性能结果。文中的参数上限和判断阈值都是待检验的设计选择。
药研用途需要各自的实验证据
文章把靶点优选、作用机制判断和联合用药选择列为不同任务。靶点优选要检查后续实验命中情况；作用机制判断需要实际通路干预或救援证据；联合用药则需要与合理的相加参照比较。
因此，即使单细胞转录预测改善，也不能直接推定模型已具备个体化选药或临床疗效预测能力。该文的主要贡献，是把机制优势变成可以被支持或否定的问题，而不是宣布某种虚拟细胞架构已获验证。