国内AI虚拟细胞首登《Cell》主刊！腾讯突破AI制药能力瓶颈

撰稿｜赵泓维

用AI模拟细胞对各种干预的反应，是AI虚拟细胞（AIVC）的长期愿景。

但现实中，基因筛选和化学药物筛选这两类最重要的扰动数据长期割裂，难以统一建模。

面对上述行业挑战，腾讯AI for Life Sciences实验室与中南大学李敏团队合作，构建了一个名为 UniPert-G2CP 的全新AI框架，近日相关论文被《Cell》收录。

该模型通过整合多模态分子扰动因子（原因）表征，并实现从遗传到化学扰动表型（结果）的迁移学习，从而连接遗传筛选与化学筛选，从而更准确地预测扰动、发现作用机制，并实现高效的计算机辅助药物筛选。

作为国内首个在《Cell》主刊发表的AI虚拟细胞研究成果，它的开创性在于找到了一个新的切口，得以回答问题：同一个化合物，在不同遗传背景、不同细胞背景下的响应，成效为何如此不同？

01

AI新药遭遇技术瓶颈

过去十年，AI在药物研发领域催生了一系列里程碑式的成果。AlphaFold解决了蛋白结构预测的问题；分子生成模型可以在化学空间中凭空生成新分子；QSAR与ADMET预测能够基于分子结构推算理化性质；DiffDock等AI模型可以预测化合物如何结合到给定靶点。

但所有这些成果有一个共同的盲区，即建模的对象是化合物或化合物－单一蛋白靶点，几乎不考虑化合物进入真实细胞后的下游效应。

无法模拟细胞的变化，意味着实验室中的优异结果，可能在临床使用中存在显著有效性偏差，

真实世界中一个被AI预测为“高亲和力+良好ADMET+类药性优秀”的化合物，仍然可能在BT474乳腺癌细胞里完全无效，在MCF7中却产生显著的转录组扰动。因为这两类细胞的下游通路、基因表达谱、突变背景完全不同。

计算结果无法复现，药企往往会承担极大损失。Tufts等多项研究指出，一个新药从立项到上市的平均成本约26亿美元，研发周期10到15年，而临床二期的成功率长期低于30%。大量在分子层面“看起来很好”的化合物，到了细胞和病人身上就失效了。

目前的失效成本主要集中在临床前至临床的细胞/动物层面验证阶段。计算建模不覆盖到细胞变化，AI便难以兑现其期望的价值。

02

双阶段联动，AI开始理解细胞变化

腾讯与中南大学联合团队提出的UniPert-G2CP，正是针对上述困境设计的解决方案。它是一个两阶段深度学习框架，从基因层面的扰动信息出发，去预测化合物在特定细胞背景下的表型响应。

UniPert是一个基于对比学习的多模态分子表征模型，目标是把功能相似的基因、同机制的药物，以及作用于同一通路的基因－药物对，都拉近到同一个语义空间里。

针对化学分子，使用SMILES字符串并通过ECFP（扩展连接性指纹）进行子结构特征化；针对遗传扰动，以蛋白质序列为基础输入，整合蛋白质语言模型（ESM）、多序列比对（MSA）和图神经网络（GNN）等多重编码手段。

在此基础上，UniPert利用先验生物网络信息和对比学习，将两者映射到共享语义空间，拉近功能相似的跨域扰动分子。

论文数据显示：在药物作用机制（MoA）分类任务上，UniPert的类内语义可分性相较传统ECFP方法从1.61提高到1.85，准确率提升14.4%；在35个蛋白药理类别（PCL）上，聚类ARI和NMI分别提高了76.3%和47.0%。

完成基因筛选和化学药物的统一建模，G2CP（跨域表型迁移学习）开始接手处理数据。

它先在基因扰动数据集上预训练模型，让模型学习细胞在不同基因扰动下的基本响应模式；再在有限的化学扰动数据上进行微调，将遗传学知识迁移到药物研发领域。

基于这一策略，G2CP有效弥补了化学筛选数据的不足，显著提升了模型在未见化学扰动下的泛化预测能力。

两个阶段融合之下，UniPert-G2CP成功将基因和药物的响应规律转化为统一语言，然后将遗传学知识迁移应用到药物研发领域。

论文数据显示：在LINCS数据集（跨五种癌细胞系，覆盖4994个基因和7860个小分子）的验证结果中，UniPert-G2CP在仅用20%化学训练数据时，预测精度提升375.4%。

此外在ESR1（雌激素受体）案例中，模型成功还原了乳腺癌耐药突变带来的表型偏移，并识别出耐药相关基因和通路。这意味着，UniPert-G2CP已经突破了传统模型“预测”能力的局限性，成功对变化进行了“分析”，完成了生物学解释闭环。

03

当AIVC完成生命科学新基建

UniPert-G2CP的突破并非偶然。自2022年开始，腾讯生命科学实验室便开始尝试用统一语言描述生命系统。此后数年，实验室先后发布scBERT、scPROTEIN、scTranslator等模型，均有成果被顶刊收录。

这一步调与腾讯健康总裁吴文达强调的步调一致，“科技向善”的核心理念之下，腾讯持续投入蛋白质结构预测、虚拟筛选、分子设计优化、活性预测、ADMET成药性预测、耐药性预测等六大方向，有力推进了全球生命科学的发展。

回到UniPert-G2CP。成果验证后，腾讯的研究团队计划将 UniPert–G2CP 作为核心基础能力，集成至即将发布的AI生命科学Agent平台中。这将使虚拟细胞能力以Skill的形式，直接服务于实验科学家的真实科研工作流。

从药物靶点的发现与验证，到候选化合物在特定细胞背景下的疗效评估，再到耐药机制的解析。腾讯的目标是让药物研发的关键环节获得可计算、可预测的智能支撑，最终打通从靶点发现到效果评估的虚拟药物研发全链路。

由于UniPert–G2CP 提供的是虚拟细胞的基本计算单元，其意义如同GPU之于深度学习。此类计算单元被规模化、模块化并Agent化后，数字孪生诊室将不脱离实验室，真正成为现实。

至那时，医生可在云端即可实时构建该患者的数字孪生细胞群，对多种候选治疗方案进行虚拟试验，并基于反馈结果为患者制定最优的组合治疗方案。

更快的效率与更小的试错之下，我们或能看到更多患者在付出更少代价的前提下康复，真正实现科技向善。

*封面图片来源：123rf

秒追医疗健康产业创新

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。

点喜欢