AI打通基因與藥物篩選體系精準預測細胞響應

中南大學計算機學院教授李敏團隊聯合騰訊生命科學實驗室研究員姚建華團隊，提出統一的細胞擾動建模框架UniPert-G2CP，從分子表征到表型建模兩個層面連接遺傳與化學擾動篩選，為虛擬細胞構建提供新的計算方法。研究成果近日在線發表于《細胞》（Cell），中南大學為論文第一完成單位。

近年來，隨著大規模生物數據持續積累和人工智能基礎模型快速發展，構建能夠理解并預測生命系統行為的“虛擬細胞”，已成為人工智能與生命科學交叉融合的重要前沿方向。虛擬細胞需整合多尺度、多模態生物信息，模擬細胞在不同分子干預下的響應。然而，遺傳與化學擾動跨越不同分子尺度和生物學層次，存在表征方式和數據來源鴻溝；復雜細胞背景下的響應異質性使得從分子干預到表型變化的精準建模仍面臨挑戰。

對此，研究團隊提出UniPert-G2CP框架：UniPert首先通過融合大分子蛋白質和小分子化合物的多模態分子信息，并結合對比學習、圖神經網絡、序列比對等技術，構建連接遺傳擾動與化學擾動因子的統一表征空間，學習不同類型分子干預之間潛在的生物學關聯。

在此基礎上，G2CP進一步利用大規模基因擾動數據進行預訓練，學習遺傳擾動中蘊含的生物學知識，并通過化學擾動數據微調進行跨域擾動遷移學習，從而實現高效的細胞特異性藥物篩選表型建模。

研究團隊在多個大規模雙域細胞擾動數據集上對該框架進行了系統評估。結果顯示，UniPert-G2CP能夠實現遺傳擾動與化學擾動之間的有效知識遷移，在未見小分子條件下準確預測細胞表型響應，并保持對不同細胞背景下異質性響應模式的刻畫能力，同時降低化學擾動建模對大規模實驗數據的需求。進一步分析表明，該框架學習的擾動因子和表型聯合表征空間能夠支持藥物作用機制解析和潛在靶點關聯發現。

據介紹，該研究突破了傳統遺傳篩選與化學篩選相對獨立的數據分析模式，建立了從多模態分子表征到跨域表型遷移的統一細胞擾動建模框架，為整合不同類型分子干預信息、構建具有預測能力的虛擬細胞提供了新的計算范式；展示了中國科研團隊在人工智能與生命科學交叉領域前沿方向的貢獻，并為全球虛擬細胞研究提供了新的計算方法和開放資源。

該研究得到國家自然科學基金杰出青年基金項目等項目支持。

相關論文信息：https://doi.org/10.1016/j.cell.2026.06.005