2026年5月21日，北京大学改日技能学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的盘考论文，提倡了一种面向AIVirtualCell(AIVC)的多模态生成式凭空细胞框架MultiVCDiff。该设施大致仅基于药物结构或基因扰动信息，同期接洽细胞方式图像和转录组抒发谱，为大限度凭空筛选、扰动响应模拟和药物作用机制理会提供了新的推断器具。
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，细胞方式大致反应细胞结构和表型情景，转录组则揭示了其背后的分子调控要津。准确接洽这两类响应，关于浮现细胞运道变化、理会药物作用机制以及构建AIVC具有进攻趣味。
连年来，机器学习设施被庸碌用于细胞扰动响应接洽，但现存设施仍存在两类要害瓶颈：一类设施频繁只接洽单一模态，举例仅生成细胞方式图像或仅接洽基因抒发变化，难以描述细胞方式与分子要津之间的内在关联；另一类跨模态生成设施固然大致诳骗转录组接洽方式，或诳骗方式关联分子情景，但通常需要扰动后的实测RNA或图像看成输入，因此无法用于确切的denovo凭空筛选。关于尚未本质测试的新药物或新基因扰动，扰动后的实测数据并不存在，这截至了这些设施在确切药物发现场景中的应用。
针对上述挑战，盘考团队诞生了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff径直以扰动自身看成条款输入，在吞并的扩散生成框架中同步生成细胞方式图像和基因抒发谱。关于药物扰动，模子将化合物结构看成输入；关于基因扰动，模子将见地基因暗示看成输入。通过这种策动，MultiVCDiff大致在莫得任何扰动后本质读数的情况下，接洽细胞可能产生的多模态响应，沙巴·体育世界杯(中国)官方网站从而更迫临确切凭空筛选任务的需求。在数据层面，盘考团队系统整合了CellPainting细胞方式数据与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、细胞方式图像和对应的基因抒发谱，为模子学习“扰动—方式—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
2026世界杯凤凰体育(FHSports)官方网站在细胞方式接洽任务中，MultiVCDiff展示出优于现存设施的生成才能。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大致生成更接近确切细胞图像的扰动特异性方式，并权贵裁减FID和KID等图像溜达距离方针。与容易产生模式垮塌的基线模子比拟，MultiVCDiff大致更好地远离不同药物指点的细胞方式各异。盘考团队进一步使用CellProfiler从图像中索要6,345个方式学特征，发现MultiVCDiff生成图像的特征溜达与确切扰动细胞高度一致，并显豁区别于未扰动对照细胞。
在转录组接洽任务中，MultiVCDiff相似进展出庞杂的零样本泛化才能。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个结构上与磨练集权贵不同的药物看成测试集。效果显现，MultiVCDiff接洽的基因抒发logfoldchange与确切本质效果高度一致，全体有关性达到0.872，大致准确捕捉不同药物指点的上调治下调基因抒发模式。此外，盘考团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动接洽模子进行系统比较。效果标明，MultiVCDiff在各异抒发基因识别、AUPRC、Spearman有关性、抒发变化标的一致性等多个方针上均获得擢升或具有竞争力的性能。
综上，该盘考提倡的MultiVCDiff为构建生成式AIVC提供了一个新的技能框架。它冲突了现存设施只可接洽单一模态、或依赖扰动后实测数据进行跨模态生成的截至，大致仅基于药物结构或基因扰动信息，同期接洽细胞方式和转录组响应。这一才能使其具备应用于大限度凭空筛选、药物机制理会、药物重定位和新靶点发现的后劲，也为改日发展愈加无缺、可解说、可扩张的凭空细胞模子奠定了基础。
北京大学改日技能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孤苦一作，北京大学元培学院本科生刘子孺为论文作念出了进攻孝顺。
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.沙巴体育世界杯中国官网首页,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,J.,andGevaert,O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9,320–332.