腾讯联合中南大学，发《Cell》！

中南大学为该论文第一完成单位，中南大学计算机学院博士生李一鸣为论文第一作者，中南大学计算机学院李敏教授、腾讯生命科学实验室姚建华研究员与杨帆研究员担任共同通讯作者，中南大学计算机学院曾敏副教授、清华大学生命科学学院朱俊博士、香港城市大学计算机科学系刘琳静博士、腾讯生命科学实验室王芳博士、香港浸会大学计算机科学系黄隆锴助理教授为共同作者。研究工作得到国家自然科学基金杰出青年基金项目等项目支持。

近年来，随着大规模生物数据持续积累和人工智能基础模型快速发展，构建能够理解并预测生命系统行为的“虚拟细胞”，已成为AI for Science与生命科学交叉融合的重要前沿方向。虚拟细胞需要整合多尺度、多模态生物信息，模拟细胞在不同分子干预下的响应。然而，遗传与化学扰动跨越不同分子尺度和生物学层次，存在表征方式和数据来源鸿沟；同时，复杂细胞背景下的响应异质性使得从分子干预到表型变化的精准建模仍面临挑战。

针对上述挑战，研究团队提出UniPert-G2CP框架：UniPert首先通过融合大分子蛋白质和小分子化合物的多模态分子信息，并结合对比学习、图神经网络、序列比对等技术，构建连接遗传扰动与化学扰动因子的统一表征空间，学习不同类型分子干预之间潜在的生物学关联。在此基础上，G2CP进一步利用大规模基因扰动数据进行预训练，学习遗传扰动中蕴含的生物学知识，并通过化学扰动数据微调进行跨域扰动迁移学习，从而实现高效的细胞特异性药物筛选表型建模。

UniPert-G2CP突破传统遗传筛选与化学筛选之间的数据壁垒，为模拟细胞干预响应提供新范式

研究团队在多个大规模双域细胞扰动数据集上对该框架进行了系统评估。结果显示，UniPert-G2CP能够实现遗传扰动与化学扰动之间的有效知识迁移，在未见小分子条件下准确预测细胞表型响应，并保持对不同细胞背景下异质性响应模式的刻画能力，同时降低化学扰动建模对大规模实验数据的需求。进一步分析表明，该框架学习的扰动因子和表型联合表征空间能够支持药物作用机制解析和潜在靶点关联发现。

该研究突破了传统遗传筛选与化学筛选相对独立的数据分析模式，建立了从多模态分子表征到跨域表型迁移的统一细胞扰动建模框架，为整合不同类型分子干预信息、构建具有预测能力的虚拟细胞提供了新的计算范式。该成果展示了中国团队在人工智能与生命科学交叉领域前沿方向的重要贡献，并为全球虚拟细胞研究提供了新的计算方法和开放资源。

文章链接：

https://www.cell.com/cell/fulltext/S0092-8674(26)00654-9

已收藏 0

点赞 4