TranscriptFormer利用1.12亿单细胞数据构建通用生成式细胞图谱

编辑丨&

单细胞转录组已经把「细胞有多复杂」这件事推到了前所未有的尺度。但除开它为人们带来的理解上的改变，跨物种比较仍卡在一个问题之上：不同物种往往共享很少的直系同源基因，传统整合方法越来越难把远缘物种放到同一坐标系里。

来自美国斯坦福大学、Biohub 等的研究团队正是为了补上这一缺口而来。他们把 12 个物种、最多 1.12 亿个细胞、覆盖约 15 亿年的进化历史一起送进模型里，试图让模型自己学会「细胞表达的语法」。

相关研究以「TranscriptFormer: A generative cell atlas across 1.5 billion years of evolution」为题，于 2026 年 5 月 7 日发布在《Science》。

论文链接：https://www.science.org/doi/10.1126/science.aec8514

生成式细胞引擎

TranscriptFormer 的诞生旨在解决跨物种比较转录程序这一长期挑战。它不是传统的单细胞表征模型，而是一个自回归生成模型。

该模型将基因表达谱视为「细胞语言」，通过自监督学习捕捉基因间的复杂关联与表达分布。这种大规模、多物种的数据策略，使模型能够学习到跨越物种界限的通用生物学表征，而非仅局限于单一物种的特征提取。

图 1：TranscriptFormer概览。

模型输入包括来自 ESM-2 的蛋白嵌入和测序技术标记，并通过 expression-aware multi-head self-attention、causal masking 和 count likelihood 处理转录本计数的变化。团队训练了三个版本：TF-Metazoa、TF-Exemplar 和 TF-Sapiens，三者架构一致，但训练语料分别覆盖 12 个物种、5 个代表物种以及纯人类数据。

在性能测试中，TranscriptFormer 在细胞类型分类任务上达到了领域领先水平。研究中，该模型表现出极强的跨物种迁移能力，即使对于在进化上与人类相隔 6.85 亿年的物种（如刺胞动物门的珊瑚），它依然能够实现精准的细胞分类。

图 2：未见物种的泛化与跨物种迁移学习。

此外，模型在人类细胞的疾病状态识别中展现了出色的「零样本（Zero-shot）」能力，即在未接触特定疾病标注数据的情况下，仍能通过对正常生理状态的深刻理解来识别异常的病理表征。

生物学结构感

TranscriptFormer 的嵌入并不只是能分类，它们还自发呈现出发育轨迹、系统发育关系和细胞层级。

在研究中，团队发现了一个有趣的现象：contextualized gene embeddings 会按细胞种类聚类，而且这种结构在不同组织里都能看到。

图 3：上下文基因嵌入与跨物种分析。

这种发育轨迹、系统发育关系以及细胞层级结构在 TranscriptFormer 的表征空间中自然涌现的现象，代表着该模型无需人工标注或元数据引导。这意味着模型自发掌握了生命的组织原则。

TranscriptFormer 还可作为一种「虚拟实验仪（Virtual Instrument）」，通过模拟转录因子的扰动来预测目标基因的反应。团队用 TranscriptFormer 的生成接口做了提示式推断，去预测转录因子与其他蛋白编码基因的功能关联，并用 point-wise conditional mutual information（PMI）找出高置信度配对，再拿 STRING 数据库交叉验证。

除此之外，团队还用细胞类型条件化的提示重建了与 Tabula Sapiens 相似的转录因子热图，让模型自己说出哪些因子更像普遍表达，哪些更偏向细胞类型特异。

这种生成式模拟能力为研究人员提供了一个交互式知识库，能够在计算机上预先测试复杂的生物实验方案，从而加速药物发现与细胞工程的研究进程。

可调用的知识系统

TranscriptFormer 训练时没有用细胞类型标签、发育阶段标签或系统发育注释，却仍然学出了跨层级的生物学结构：基因、细胞、组织、物种都被串进了同一套表示里。

它的价值不只是分类更准，而是把单细胞数据变成一种可以查询、可以迁移、还可以做虚拟实验的生成式基础模型。

团队表示：多物种预训练更利于跨物种泛化，单物种训练则可能在纯人类疾病任务上更有优势；未来还将继续扩展物种、加入更多模态，并改进提示策略。