2026年5月21日，北京大学将来时间学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的磋磨论文，提议了一种面向AIVirtualCell(AIVC)的多模态生成式臆造细胞框架MultiVCDiff。该方法约略仅基于药物结构或基因扰动信息，同期推断细胞方式图像和转录组抒发谱，为大领域臆造筛选、扰动响应模拟和药物作用机制贯通提供了新的筹备器具。
细胞在受到药物、基因裁剪等外界扰动后，会在多个层面产生复杂响应。其中，细胞方式约略反应细胞结构和表型现象，转录组则揭示了其背后的分子调控智商。准确推断这两类响应，关于知晓细胞红运变化、贯通药物作用机制以及构建AIVC具有伏击好奇景仰好奇景仰。
比年来，机器学习方法被平淡用于细胞扰动响应推断，但现存方法仍存在两类要津瓶颈：一类方法经常只推断单一模态，举例仅生成细胞方式图像或仅推断基因抒发变化，难以描画细胞方式与分子智商之间的内在商量；另一类跨模态生成方法诚然约略应用转录组推断方式，或应用方式关联分子现象，但时常需要扰动后的实测RNA或图像行动输入，因此无法用于果真的denovo臆造筛选。关于尚未施行测试的新药物或新基因扰动，扰动后的实测数据并不存在，这递次了这些方法在真实药物发现场景中的应用。
针对上述挑战，磋磨团队培育了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff径直以扰动自己行动条款输入，在团结的扩散生成框架中同步生成细胞方式图像和基因抒发谱。关于药物扰动，模子将化合物结构行动输入；关于基因扰动，模子将意见基因示意行动输入。通过这种琢磨，MultiVCDiff约略在莫得任何扰动后施行读数的情况下，推断细胞可能产生的多模态响应，九游·体育世界杯(中国)官方网站从而更面对真实臆造筛选任务的需求。在数据层面，磋磨团队系统整合了CellPainting细胞方式数据与L1000转录组数据，并通过分享的药物或基因扰动构建了四个多模态数据集：CPgenes-BBBC021、CPgenes-CDRP、CPgenes-JUMP和CPgenes-LINCS。每个样本同期包含扰动信息、细胞方式图像和对应的基因抒发谱，为模子学习“扰动—方式—转录组”三者之间的关联提供了基础。
图一：数据构造与MultiVCDiff框架图
在细胞方式推断任务中，MultiVCDiff展示出优于现存方法的生成智力。磋磨团队将其与八种代表性生成模子进行比较，包括MorphDiff、MorphNet、IMPA、MorphoDiff、StarGAN、DMIT、MDTv2和StableDiffusion。效果标明，MultiVCDiff约略生成更接近真实细胞图像的扰动特异性方式，并显赫缩短FID和KID等图像散布距离目的。与容易产生模式坍弛的基线模子比拟，MultiVCDiff约略更好地辞别不同药物调换的细胞方式互异。磋磨团队进一步使用CellProfiler从图像中索要6，345个方式学特征，发现MultiVCDiff生成图像的特征散布与真实扰动细胞高度一致，并显着区别于未扰动对照细胞。
在转录组推断任务中，MultiVCDiff一样推崇出纷乱的零样本泛化智力。磋磨团队在CPgenes-LINCS数据集上构建了严格的out-of-distribution测试场景，将30个结构上与磨练集显赫不同的药物行动测试集。效果败露，MultiVCDiff推断的基因抒发logfoldchange与真实施行效果高度一致，全体相干性达到0.872，约略准确捕捉不同药物调换的上调节下调基因抒发模式。此外，磋磨团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动推断模子进行系统比较。效果标明，MultiVCDiff在互异抒发基因识别、AUPRC、Spearman相干性、抒发变化地方一致性等多个目的上均赢得杰出或具有竞争力的性能。
综上，该磋磨提议的MultiVCDiff为构建生成式AIVC提供了一个新的时间框架。它冲破了现存方法只可推断单一模态、或依赖扰动后实测数据进行跨模态生成的递次，约略仅基于药物结构或基因扰动信息，同期推断细胞方式和转录组响应。这一智力使其具备应用于大领域臆造筛选、药物机制贯通、药物重定位和新靶点发现的后劲，也为将来发展愈加完竣、可讲授、可推广的臆造细胞模子奠定了基础。
北京大学将来时间学院王劲卓为论文通信作家，北京大学前沿交叉学科磋磨院博士生彭睿为论文的孤独一作，北京大学元培学院本科生刘子孺为论文作念出了伏击孝顺。
参考文件：
Bunne，C.，Roohani，Y.，Rosen，Y.，Gupta，A.，Zhang，X.，Roed，M.，Alexandrov，T.，AlQuraishi，M.，Brennan，P.，Burkhardt，D.B.，etal.(2024).Howtobuildthevirtualcellwithartificialintelligence:Prioritiesandopportunities.Cell187，7045–7063.
Way，G.P.，Natoli，T.，Adeboye，A.，Litichevskiy，L.，Yang，A.，Lu，X.，Caicedo，J.C.，Cimini，B.A.，Karhohs，K.，Logan，D.J.，etal.(2022).Morphologyandgeneexpressionprofilingprovidecomplementaryinformationformappingcellstate.CellSystems13，911-923.e9.
Bray，M.-A.，Singh，S.，Han，H.，Davis，C.T.，Borgeson，B.，Hartland，C.，Kost-Alimova，M.，Gustafsdottir，S.M.，Gibson，C.C.，andCarpenter，A.E.(2016).CellPainting，ahigh-contentimage-basedassayformorphologicalprofilingusingmultiplexedfluorescentdyes.NatProtoc11，1757–1774.
2026世界杯凤凰体育(FHSports)官方网站Subramanian，A.，Narayan，R.，Corsello，S.M.，Peck，D.D.，Natoli，T.E.，Lu，X.，Gould，J.，Davis，J.F.，Tubelli，A.A.，Asiedu，J.K.，etal.(2017).ANextGenerationConnectivityMap:L1000PlatformandtheFirst1，000，000Profiles.Cell171，1437-1452.e17.
Carrillo-Perez，F.，Pizurica，M.，Zheng，Y.，Nandi，T.N.，Madduri，R.，Shen九游体育世界杯中国官网首页，J.，andGevaert，O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9，320–332.