B·体育世界杯(中国)官方网站 Cell Reports Methods | 北京大学将来期间学院王劲卓团队缔造生成式AI诬捏细胞模子完了多模态扰动响应瞻望

2026年5月21日，北京大学将来期间学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的究诘论文，建议了一种面向AIVirtualCell(AIVC)的多模态生成式诬捏细胞框架MultiVCDiff。该措施粗略仅基于药物结构或基因扰动信息，同期瞻望细胞模式图像和转录组抒发谱，为大范畴诬捏筛选、扰动响应模拟和药物作用机制明白提供了新的计算用具。

细胞在受到药物、基因剪辑等外界扰动后，会在多个层面产生复杂响应。其中，细胞模式粗略反应细胞结构和表型景况，转录组则揭示了其背后的分子调控身手。准确瞻望这两类响应，关于相连细胞气运变化、明白药物作用机制以及构建AIVC具有重要意旨。

连年来，机器学习措施被平庸用于细胞扰动响应瞻望，但现存措施仍存在两类枢纽瓶颈：一类措施频频只瞻望单一模态，举例仅生成细胞模式图像或仅瞻望基因抒发变化，难以描写细胞模式与分子身手之间的内在磋磨；另一类跨模态生成措施诚然粗略运用转录组瞻望模式，或运用模式关联分子景况，但时常需要扰动后的实测RNA或图像行为输入，因此无法用于果然的denovo诬捏筛选。关于尚未执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，这死一火了这些措施在真实药物发现场景中的应用。

针对上述挑战，究诘团队缔造了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff平直以扰动本人行为条目输入，在销亡的扩散生成框架中同步生成细胞模式图像和基因抒发谱。关于药物扰动，模子将化合物结构行为输入；关于基因扰动，模子将见地基因暗示行为输入。通过这种盘算，MultiVCDiff粗略在莫得任何扰动后执行读数的情况下，瞻望细胞可能产生的多模态响应，B体育世界杯中国官网首页从而更逼近真实诬捏筛选任务的需求。在数据层面，究诘团队系统整合了CellPainting细胞模式数据与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、细胞模式图像和对应的基因抒发谱，为模子学习“扰动—模式—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

在细胞模式瞻望任务中，MultiVCDiff展示出优于现存措施的生成身手。究诘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。成果标明，MultiVCDiff粗略生成更接近真实细胞图像的扰动特异性模式，并权贵裁汰FID和KID等图像漫步距离见地。与容易产生模式崩塌的基线模子比较，MultiVCDiff粗略更好地分裂不同药物引导的细胞模式各异。究诘团队进一步使用CellProfiler从图像中索求6，345个模式学特征，发现MultiVCDiff生成图像的特征漫步与真实扰动细胞高度一致，并彰着区别于未扰动对照细胞。

在转录组瞻望任务中，MultiVCDiff相通进展出弘远的零样本泛化身手。究诘团队在CPgenes-LINCS数据集上构建了严格的out-of-distribution测试场景，将30个结构上与教师集权贵不同的药物行为测试集。成果败露，MultiVCDiff瞻望的基因抒发logfoldchange与真实执行成果高度一致，举座相干性达到0.872，粗略准确捕捉不同药物引导的上斡旋下调基因抒发模式。此外，究诘团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动瞻望模子进行系统比较。成果标明，MultiVCDiff在各异抒发基因识别、AUPRC、Spearman相干性、抒发变化标的一致性等多个见地上均赢得卓越或具有竞争力的性能。

综上，该究诘建议的MultiVCDiff为构建生成式AIVC提供了一个新的期间框架。它打破了现存措施只可瞻望单一模态、或依赖扰动后实测数据进行跨模态生成的死一火，粗略仅基于药物结构或基因扰动信息，同期瞻望细胞模式和转录组响应。这一身手使其具备应用于大范畴诬捏筛选、药物机制明白、药物重定位和新靶点发现的后劲，也为将来发展愈加圆善、可施展、可推广的诬捏细胞模子奠定了基础。

北京大学将来期间学院王劲卓为论文通信作家，北京大学前沿交叉学科究诘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重要孝敬。

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.

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.B·体育世界杯(中国)官方网站，Madduri，R.，Shen，J.，andGevaert，O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9，320–332.