2026年5月21日，北京大学将来工夫学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的盘考论文，建议了一种面向AIVirtualCell(AIVC)的多模态生成式造谣细胞框架MultiVCDiff。该轨范大略仅基于药物结构或基因扰动信息，同期瞻望细胞口头图像和转录组抒发谱，为大范围造谣筛选、扰动响应模拟和药物作用机制分解提供了新的狡计器用。
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，细胞口头大略反应细胞结构和表型气象，转录组则揭示了其背后的分子调控法子。准确瞻望这两类响应，关于合资细胞运说念变化、分解药物作用机制以及构建AIVC具有进军道理。
2026世界杯HJC黄金城官方首页入口连年来，机器学习轨范被平庸用于细胞扰动响应瞻望，但现存轨范仍存在两类要道瓶颈：一类轨范频繁只瞻望单一模态，举例仅生成细胞口头图像或仅瞻望基因抒发变化，难以描写细胞口头与分子法子之间的内在干系；另一类跨模态生成轨范天然大略运用转录组瞻望口头，或运用口头关联分子气象，但时时需要扰动后的实测RNA或图像动作输入，因此无法用于真确的denovo造谣筛选。关于尚未推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，这终结了这些轨范在竟然药物发现场景中的应用。
针对上述挑战，盘考团队建造了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff径直以扰动本人动作条目输入，在并吞的扩散生成框架中同步生成细胞口头图像和基因抒发谱。关于药物扰动，模子将化合物结构动作输入；关于基因扰动，模子将见识基因默示动作输入。通过这种设想，MultiVCDiff大略在莫得任何扰动后推行读数的情况下，瞻望细胞可能产生的多模态响应，杏彩体育世界杯中国官网首页从而更靠拢竟然造谣筛选任务的需求。在数据层面，盘考团队系统整合了CellPainting细胞口头数据与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、细胞口头图像和对应的基因抒发谱，为模子学习“扰动—口头—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
在细胞口头瞻望任务中，MultiVCDiff展示出优于现存轨范的生成能力。盘考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大略生成更接近竟然细胞图像的扰动特异性口头，并显耀裁减FID和KID等图像散布距离见识。与容易产生模式坍弛的基线模子比拟，MultiVCDiff大略更好地区别不同药物指点的细胞口头各别。盘考团队进一步使用CellProfiler从图像中索要6，345个口头学特征，发现MultiVCDiff生成图像的特征散布与竟然扰动细胞高度一致，并较着区别于未扰动对照细胞。
在转录组瞻望任务中，MultiVCDiff相似证据出广阔的零样本泛化能力。盘考团队在CPgenes-LINCS数据集上构建了严格的out-of-distribution测试场景，将30个结构上与教师集显耀不同的药物动作测试集。效果线路，MultiVCDiff瞻望的基因抒发logfoldchange与竟然推行效果高度一致，举座关联性达到0.872，大略准确捕捉不同药物指点的上和谐下调基因抒发模式。此外，盘考团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动瞻望模子进行系统比较。效果标明，MultiVCDiff在各别抒发基因识别、AUPRC、Spearman关联性、抒发变化见识一致性等多个见识上均获取跳跃或具有竞争力的性能。
综上，该盘考建议的MultiVCDiff为构建生成式AIVC提供了一个新的工夫框架。它打破了现存轨范只可瞻望单一模态、或依赖扰动后实测数据进行跨模态生成的终结，大略仅基于药物结构或基因扰动信息，同期瞻望细胞口头和转录组响应。这一能力使其具备应用于大范围造谣筛选、药物机制分解、药物重定位和新靶点发现的后劲，也为将来发展愈加完竣、可证明、可彭胀的造谣细胞模子奠定了基础。
北京大学将来工夫学院王劲卓为论文通信作家，北京大学前沿交叉学科盘考院博士生彭睿为论文的落寞一作，北京大学元培学院本科生刘子孺为论文作念出了进军孝敬。
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.，Madduri，R.，Shen杏彩·体育世界杯(中国)官方网站，J.，andGevaert，O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9，320–332.