55
分享 
全文概要
西湖大学医学院郭天南团队联合北京大学、北京科学智能研究院、哈尔滨医科大学等机构，在《自然》（Nature）发表题为"An operational perturbation proteomics-based virtual cell model"的研究论文。团队开发了一款具有临床应用潜力的虚拟细胞垂直模型 ProteinTalks，用于三阴性乳腺癌的药物疗效预测、肿瘤耐药靶点挖掘与个体化精准治疗指引。该研究展示了一条不同于单纯堆数据、堆规模的路径——以真实、连续的蛋白质动态为基础构建"可运行的"虚拟细胞模型。
1. 研究思路：让 AI 学习"蛋白质的动态"
近两年，虚拟细胞研究逐渐成为全球"AI + 生物医药"领域的前沿方向。现有主流路径多基于转录组数据训练基础模型，学习基因表达规律以表征细胞状态并预测药物干预下的变化。但蛋白质才是细胞功能的主要执行者。
团队提出了一个关键问题：如果让 AI 学习药物作用后蛋白质的动态变化，能否更准确地预测细胞反应？这一方向潜力巨大，却受限于"时间分辨扰动蛋白质组数据"的不足而处于起步阶段。郭天南团队以三阴性乳腺癌为切入——这一缺乏 ER、PR 与 HER2 表达的亚型靶向治疗选择有限，面对庞大的候选药物与联合用药空间，恰恰为检验新方法提出了严峻挑战。
2. 模型亮点：基于扰动蛋白质组学的"可运行"虚拟细胞
与单纯扩大数据和模型规模不同，该研究以真实、连续的蛋白质动态为基础，构建了具备一定临床应用潜力的虚拟细胞垂直模型 ProteinTalks。所谓"可运行（operational）"，强调模型不仅表征细胞状态，更能用于实际的药物疗效预测与靶点挖掘任务。
研究围绕三阴性乳腺癌展开，展示了模型在药物疗效预测、肿瘤耐药靶点挖掘以及个体化精准治疗指引等方面的应用价值。这一"以蛋白质组扰动为输入、以治疗响应为输出"的范式，为虚拟细胞从基础研究走向临床转化提供了一条可验证的新路径。
3. 行业意义：AI 虚拟细胞从"分子"迈向"细胞"
继蛋白质结构预测等单类生物分子研究的突破之后，人工智能正逐步拓展至"细胞"这一生命活动基本单元。虚拟细胞模型若走向成熟，有望对生物医药、生物制造乃至农业生产产生颠覆性影响。
对医学科研与医学 AI 从业者而言，本研究的意义在于：它回答了"什么样的数据才能支撑有效虚拟细胞模型、如何科学评估其性能"这一行业共同关切，并示范了"以蛋白质动态为核心"这一区别于主流转录组路线的技术方向。尽管从论文到临床应用仍有距离，但该工作无疑为 AI 驱动的精准医疗与耐药研究提供了重要的方法学基石。
来源：《自然》（Nature）期刊、BioArt
声明：本文资讯来源于公开报道及学术期刊，仅作行业信息传播，不构成临床用药建议。转载需注明来源。
- 1. 研究思路：让 AI 学习"蛋白质的动态"
- 2. 模型亮点：基于扰动蛋白质组学的"可运行"虚拟细胞
- 3. 行业意义：AI 虚拟细胞从"分子"迈向"细胞"
