2026年5月21日，北京大学翌日时期学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的究诘论文，提倡了一种面向AIVirtualCell(AIVC)的多模态生成式诬捏细胞框架MultiVCDiff。该门径不详仅基于药物结构或基因扰动信息，同期估计细胞步地图像和转录组抒发谱，为大限制诬捏筛选、扰动响应模拟和药物作用机制想法提供了新的贪图用具。
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，细胞步地不详响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要领。准确估计这两类响应，关于领会细胞幸运变化、想法药物作用机制以及构建AIVC具有遑急趣味趣味。
连年来，机器学习门径被庸俗用于细胞扰动响应估计，但现存门径仍存在两类关节瓶颈：一类门径频繁只估计单一模态，举例仅生成细胞步地图像或仅估计基因抒发变化，难以描绘细胞步地与分子要领之间的内在运筹帷幄；另一类跨模态生成门径天然不详诈欺转录组估计步地，或诈欺步地关联分子气象，但继续需要扰动后的实测RNA或图像当作输入，因此无法用于实在的denovo诬捏筛选。关于尚未现实测试的新药物或新基因扰动，扰动后的实测数据并不存在，这限度了这些门径在实在药物发现场景中的应用。
针对上述挑战，究诘团队配置了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff告成以扰动自身当作条目输入，在同一的扩散生成框架中同步生成细胞步地图像和基因抒发谱。关于药物扰动，模子将化合物结构当作输入；关于基因扰动，模子将主张基因暗示当作输入。通过这种想象，MultiVCDiff不详在莫得任何扰动后现实读数的情况下，估计细胞可能产生的多模态响应，爱游戏·体育世界杯(中国)官方网站从而更面临实在诬捏筛选任务的需求。在数据层面，究诘团队系统整合了CellPainting细胞步地数据与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、细胞步地图像和对应的基因抒发谱，为模子学习“扰动—步地—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
在细胞步地估计任务中，MultiVCDiff展示出优于现存门径的生成才气。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。效果标明，MultiVCDiff不详生成更接近实在细胞图像的扰动特异性步地，并权贵镌汰FID和KID等图像分散距离方针。与容易产生模式坍弛的基线模子比拟，MultiVCDiff不详更好地辞别不同药物趋奉的细胞步地互异。究诘团队进一步使用CellProfiler从图像中索求6，345个步地学特征，发现MultiVCDiff生成图像的特征分散与实在扰动细胞高度一致，并明显区别于未扰动对照细胞。
在转录组估计任务中，MultiVCDiff相通发达出高大的零样本泛化才气。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个结构上与训练集权贵不同的药物当作测试集。效果清晰，MultiVCDiff估计的基因抒发logfoldchange与实在现实效果高度一致，举座运筹帷幄性达到0.872，不详准确捕捉不同药物趋奉的上长入下调基因抒发模式。此外，究诘团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动估计模子进行系统比较。效果标明，MultiVCDiff在互异抒发基因识别、AUPRC、Spearman运筹帷幄性、抒发变化所在一致性等多个方针上均赢得独特或具有竞争力的性能。
综上，该究诘提倡的MultiVCDiff为构建生成式AIVC提供了一个新的时期框架。它冲破了现存门径只可估计单一模态、或依赖扰动后实测数据进行跨模态生成的限度，不详仅基于药物结构或基因扰动信息，同期估计细胞步地和转录组响应。这一才气使其具备应用于大限制诬捏筛选、药物机制想法、药物重定位和新靶点发现的后劲，也为翌日发展愈加完满、可阐述、可膨大的诬捏细胞模子奠定了基础。
北京大学翌日时期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沉寂一作，北京大学元培学院本科生刘子孺为论文作念出了遑急孝顺。
参考文件：
Bunne，C.，大发官方网站手机appRoohani，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.
2026世界杯金年会(JinNianHui)体育官网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爱游戏·体育世界杯(中国)官方网站，Y.，Nandi，T.N.，Madduri，R.，Shen，J.，andGevaert，O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9，320–332.