AI打通基因与药物筛选体系精准预测细胞响应

AI打通基因与药物筛选体系 精准预测细胞响应

中南大学计算机学院教授李敏团队联合腾讯生命科学实验室研究员姚建华团队，提出统一的细胞扰动建模框架UniPert-G2CP，从分子表征到表型建模两个层面连接遗传与化学扰动筛选，为虚拟细胞构建提供新的计算方法。研究成果近日在线发表于《细胞》（ Cell ），中南大学为论文第一完成单位。

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”，已成为人工智能与生命科学交叉融合的重要前沿方向。虚拟细胞需整合多尺度、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；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。

对此，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。

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。

据介绍，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；展示了中国科研团队在人工智能与生命科学交叉领域前沿方向的贡献，并为全球虚拟细胞研究提供了新的计算方法和开放资源。

该研究得到国家自然科学基金杰出青年基金项目等项目支持。

相关论文信息：https://doi.org/10.1016/j.cell.2026.06.005

主题：虚拟细胞|UniPert-G2CP