预训练统一模型实现细胞功能谱预测与多目标虚拟药物筛选

细胞具有特定的分子状态、协调的分子相互作用、调控程序以及对扰动的响应。在不同生物学背景下系统描绘这些细胞功能特征，仍然面临实验成本高、数据碎片化等问题。在此，我们提出 InsilicoCell——一种预训练的多模态、多任务模型，用于统一预测涵盖分子状态、分子相互作用及扰动诱导响应在内的细胞功能特征。该模型基于监督式 Transformer 架构构建，并在涵盖七项任务的超过 8,800 万条测量数据上进行预训练，其中包括药物敏感性、药物诱导的基因表达以及药物—蛋白质结合等任务。InsilicoCell 学习到一种能够将分子特征与细胞表型联系起来的共享表征，相较于针对单一任务的模型具有更优的性能，并且能够推广至未见过的实体、背景和条件。InsilicoCell 不仅适用于细胞系系统，还可扩展至患者样本、空间和单细胞场景，并支持多目标虚拟药物筛选。该模型识别出多种新型候选化合物，并获得了实验验证，其中包括 c-Myc 活性抑制剂、抗纤维化药物以及诱导干性化合物。总体而言，InsilicoCell 为预测性细胞生物学研究和治疗药物发现提供了一个可扩展的框架。

细胞具有特定的分子状态、协调的分子相互作用、调控程序以及对扰动的响应。跨生物学背景系统绘制这些细胞功能图谱，在实验上仍然成本高昂且较为零散。在此，我们提出 InsilicoCell，这是一种预训练的多模态、多任务模型，能够统一预测涵盖分子状态、分子相互作用及扰动诱导响应在内的细胞功能图谱。该模型基于有监督的 Transformer 架构构建，并在涵盖七项任务的超过 8,800 万条测量数据上进行预训练，这些任务包括药物敏感性、药物诱导的基因表达以及药物—蛋白质结合等。InsilicoCell 学习了一种将分子图谱与细胞表型相联系的共享表征，其性能优于针对单一任务的模型，并能够推广至未见过的实体、背景和条件。InsilicoCell 不仅适用于细胞系系统，还可扩展至患者、空间和单细胞场景，并支持多目标虚拟药物筛选。该模型鉴定出多种新型候选化合物，并通过实验进行了验证，包括 c-Myc 活性抑制剂、抗纤维化药物以及诱导干性化合物。总体而言，InsilicoCell 为预测性细胞生物学和治疗药物发现提供了一个可扩展的框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.746866v1?rss=1

🏷️ 预训练多模态模型 细胞功能预测 虚拟药物筛选 多任务学习 药物敏感性预测 单细胞与空间生物学