Silmitasertib

十年十亿,不如十八个月 新药研发有句老话,叫双十定律。平均十年,十亿美元,成功率不到百分之十。砸进去的钱和时间,十有八九打水漂。这是药企最肉疼的地方,也是病人等药最绝望的地方。你得的病冷门一点,可能一辈子都等不到一款对症的药。更扎心的是,等到一款药,往往家底花光,人也熬垮了。双十定律卡住的不只是大药厂,更是小公司和小病种,大厂有钱慢慢耗,小公司一轮融资烧完没结果就死了。这十年里有大半时间花在反复试错上,分子做出来发现不对路,推倒重来,钱就这么一点点漏光。病人就在这漏钱的过程中,把命等没了。 然后AI来了。故事开头很性感:一家叫英矽智能的公司,用AI从头找到靶点,又用AI设计出分子,做出一个叫Rentosertib的候选药。它的临床前研发周期,从行业平均的四年半,压到了十八个月。四年半变十八个月,听着像魔法,但这回不是吹牛。 AI真把药造出来了 别急着翻白眼,这不是PPT上的概念。Rentosertib是全球首个由AI完成靶点发现与分子设计的候选药,治的是特发性肺纤维化——一种肺慢慢变硬、病人喘不上气的怪病,过去没什么好办法,病人只能看着肺功能一年年往下掉。它的IIa期临床出来,患者肺功能有显著改善。这里说的是改善,不是治愈,但对这种病已经是实打实的信号,说明AI挑的靶点和分子,在真人身上真起作用了。现在III期已经在准备了。 中国团队不止这一家。德睿智药的MDR-001,是中国首款进入III期临床的AI设计药物,用来减肥减重,从发现到III期,花了四年半。正常走完这段路要更久,它把流程压进了四年半。晶泰科技和ReviR做的RTX-117,是国内首个AI加RNA的小分子药,已经完成首例给药,还拿到了中美两国的临床双批。一款药同时拿下两个大市场的入场券,说明海外监管也认这套打法,不是关起门来自嗨。 从神坛摔下来,再爬起来验真章 把时间往回拨几年,AI制药是被捧上神坛过的。资本追着投,估值飞天,谁家PPT里带个深度学习就敢说要颠覆辉瑞。结果呢?临床数据迟迟不来,钱烧完了药还在试管里,泡沫啪一声破了,唱衰的声音又铺天盖地。这恰恰是把2026叫成价值验证年的原因——前戏演完了,该上台唱真戏了。能拿出II期、III期硬数据的,才配继续坐在牌桌上;拿不出的,故事再漂亮也得退场。国内这波能站住,靠的不是嘴快,是确实有药进了临床,英矽、德睿、晶泰,三家走的不是同一条路,但都拿到了临床批件,这比一百篇论文都硬。 提速的只是前半段 看到这,你可能觉得:那新药不就井喷了?药价不就崩了? 没那么简单。这里有个很多人搞反的地方。AI真正能大幅提速的,是药物研发的前半段——找靶点,设计分子,筛化合物。这一段原来最烧脑、最靠运气,一个博士盯屏幕几年,可能连个能用的苗头都摸不到。现在AI把周期从几年砍到几个月,这是真金白银的效率,省下的是大把时间和试错成本。 但药物研发的后半段,也就是临床试验,该花几年还是几年,该烧几亿还是几亿。AI替代不了真人挨针,替代不了病人排队入组,替代不了一期一期地验证安全有效。临床要的是活人数据,是副作用、是长期反应,这些没法用算力省略。所以别听谁喊AI明年就让药免费,那是卖课的,不是做药的。 波士顿咨询给过一组数据:AI药物的一期临床成功率是百分之八十到九十,传统只有百分之五十。整体研发成功率有望从百分之五到十,提到百分之九到十八。这是提升,不是封神。翻了一倍不到,不是一夜从地狱到天堂。成功率往上走,代价是少走弯路,不是不走路。 为什么后半段省不掉?因为临床要的是人体的复杂反应。实验室里跑得通的分子,进人体可能伤肝、可能伤心、可能吃了没用,这些只有真人试出来。AI再聪明,也替不了一个病人真实的肝功报告和不良反应。这段没法快进,快进了就是拿人命赌。 中国团队已经站到世界级 再往深里看,中国团队在AI蛋白设计这一块,已经站到了世界级。许锦波带队的分子之心,搞了个MMFold,预测蛋白质结构的准确率比AlphaFold3还翻了一倍。蛋白质结构预测是造药的地基,地基准了,后面设计分子才靠谱,不然分子画得再漂亮,凑近一看对不上形状,白搭。他们的MMDesign平台用生成加过滤的路子,一个靶点只测十四到五十个候选分子,就能拿下百分之九十点九的靶点成功率,最好的亲和力做到了皮摩尔级——皮摩尔是啥概念?浓度低到吓人,分子还能牢牢扒住靶点。像TNFα这种公认难啃的硬骨头,他们也啃出了世界级进展。难成药靶点一旦被打开,后面一串病就都有了盼头。 清华的DrugCLIP更夸张,论文登上了《科学》。它一天能跑三十一点五万亿次匹配计算,筛一百万个候选分子只要零点零二秒,比传统方法快了一百万倍。百万倍是什么概念?别人算一辈子的活,它一眨眼干完。拿抑郁症举例,它从一百六十万个分子里筛出一百个,百分之十五被实验证实有效,其中十二个的结合效果比常用抗抑郁药还好。这一步步,是把大海捞针变成了对着地图找针,省下的是成千上万次没必要的湿实验。 还有谷歌和耶鲁搞的C2S-Scale,一个二百七十亿参数的单细胞基础模型,从四千多种药里一把揪出老药Silmitasertib,实验验证它能逆转癌细胞免疫逃逸的新机制。老药新用,省钱省时,不用从头走完十年。这种玩法,是AI最划算的本事之一,把一个已经上市的药,在别的病上重新点亮。 有人担心AI会不会让制药科学家失业。短期不会。AI干的是把候选范围收窄,把最不该试的先删掉,最后拍板的、设计实验的、看数据的,还是人。它是个不知疲倦的超级助手,不是替身。真要较真,懂AI又懂生物的人,反而更值钱了。 把上面这些串起来看,AI在制药里干成的,是让找药这件事从前端的黑箱里探出了头。靶点对不对、分子行不行,以前靠蒙,现在靠算。这一步走通,后面才谈得上快,也才谈得上省。但头探出来了,身子还卡在临床试验那条长队里,急不得。 普通人能指望什么 聊到这,普通人最该问一句:那跟我有什么关系?我等的新药,会更快更便宜吗? 实话实说。前端提速是真的,意味着药厂能更早把候选药推进临床,失败得也更快更便宜——钱没白烧在明显不行的分子上。整体成功率往上走,意味着更多病人能等到自己那款药,尤其是那些冷门病、罕见病,以前药厂懒得碰,现在算一算觉得划算了,就有人做了。你得的病再偏,也有机会被AI从海量组合里捞出来。 打个比方,过去十款进临床的药,能成的一款都不到。现在AI帮你在前面筛掉明显不行的,进临床的十个里能活两三个。活的多了,病人有的选,价格也才有往下谈的余地。但这是往下谈的余地,不是白送。 但临床后端那几年和那几亿,一分都少不了。所以药不会明天就便宜到白菜价,也不会下周就铺满药房。真正的变化是:赌桌上多了几副牌,命不好的病,机会变多了。算力加数据加湿实验,三样缺一不可,光吹AI没用,光砸钱也没用,湿实验做不出来,再神的模型也是空中楼阁。 普通人看这类新闻,有个笨办法最管用:别只看标题里写没写AI,要看它到第几期了。才I期,也就几十个志愿者,离你药房还差着十万八千里;走到II期、III期,才是真在往人身上验。哪天看到某款AI药官宣过了III期,那才是它真能救人的开始。 给关注健康的人一句实在话 如果你或家人正等一款药,别被带节奏。看到AI相关的好消息,先问一句到第几期了,再决定高不高兴。进展是真的,但药进你身体之前,中间还隔着好几年和好多道关。该正规治疗别停,该听医生的别自己换药。也别因为等AI药就拖着不治,今天能用的药,比明天可能的药更靠得住。 AI造药不是骗局,它已经把最难的开头撕开了一道口子。但别指望它今年就救你命,明年就免你费。真到了药能用的那天,临床数据说话,不靠发布会。耐心点,盯着III期,那才是真章。返回搜狐，查看更多

C2S-Scale：面向新一代单细胞分析的大语言模型规模化拓展 详细总结 该论文为 2025 年 10 月发布于bioRxiv的预印本研究，由耶鲁大学、Google Research、Google DeepMind、布朗大学等机构联合完成。研究在Cell2Sentence (C2S) 框架基础上，推出C2S-Scale 系列大语言模型（LLM），首次实现大参数量 LLM 与单细胞转录组学的深度结合，突破了传统单细胞基础模型（scFMs）的技术瓶颈，不仅完成多类单细胞分析任务，还成功预测并通过湿实验验证全新生物学机制，为新一代单细胞分析、药物研发与基础生物学研究提供了全新范式。以下从研究背景、核心方法、实验结果、关键生物学发现、局限性与未来展望、核心贡献六大维度展开详细总结。 一、研究背景与现存痛点 1. 单细胞测序技术的价值 单细胞 RNA 测序（scRNA-seq）极大推动了细胞异质性、组织微环境、疾病机制的研究，全球已积累CELLxGENE、人类细胞图谱（HCA） 等超大规模单细胞数据集，亟需高效的计算模型挖掘数据价值。 2. 现有单细胞基础模型的缺陷 当前主流专用单细胞模型（scGPT、Geneformer、scFoundation、scGenePT 等）存在四大核心局限： 1.架构封闭、难以扩容：采用定制化网络结构，无法借鉴 LLM 的规模化能力，模型参数量提升难度大； 2.多模态融合能力弱：仅聚焦基因表达数据，无法原生整合生物文本、实验元数据、文献知识等外部信息； 3.任务灵活性不足：侧重细胞分类、简单表达预测，难以支撑复杂生成任务、跨细胞上下文推理、自然语言交互； 4.与领域知识脱节：无法无缝对接生物文献，非生信专业人员使用门槛高。 3. 现有技术基础与研究切入点 此前提出的Cell2Sentence (C2S) 开创性地将单细胞基因表达谱转化为 \\“细胞句子”（按基因表达量排序的基因名称文本序列），打通了单细胞数据与通用 LLM 的壁垒。但初代 C2S 未进行超大规模数据集、超大参数量模型 \\ 的训练，也未结合强化学习、空间组学、虚拟药物筛选等拓展应用。 本研究以此为切入点，对 C2S 框架进行全维度规模化升级，构建 C2S-Scale 系列模型，验证 LLM 缩放定律在单细胞领域的有效性，并拓展模型在空间分析、问答、药物筛选、原创生物学发现等场景的能力。 二、核心方法与技术体系 1. 大规模多模态训练语料构建 1.转录组数据：收集超 5000 万个人、小鼠单细胞转录组，覆盖数十种组织、疾病类型与实验条件，数据源为 CELLxGENE、人类细胞图谱； 2.文本与知识数据：整合论文摘要、实验元数据、基因注释、基因互作数据库（CellPhoneDB 配体 - 受体互作、BioGRID 蛋白互作、MatrixDB 胞外蛋白数据）； 3.整体语料总 Token 量超10 亿，实现转录组数据 + 生物文本 + 领域知识库的多模态融合。 2. 核心数据转换：细胞句子（Cell Sentence） 这是连接单细胞数据与 LLM 的核心设计，规则与优势如下： 1.转换规则：对单个细胞的基因表达向量，按表达量从高到低对基因名称排序，截取高表达基因组成文本序列，即“细胞句子”； 2.可逆性与低信息损失：基因排序与原始表达量呈强线性相关（R 2 = 0.85），可通过线性模型还原原始表达量，转换几乎无信息丢失； 3.架构兼容性：无需修改 LLM 词表、网络结构，可直接复用主流 Transformer 类 LLM 的预训练权重与工程生态。 3. C2S-Scale 模型架构与训练流程 （1）模型规模 基于 Gemma 2、Pythia解码器 - only Transformer架构，构建梯度规模模型：4.1 亿（410M）、10 亿（1B）、270 亿（27B） 参数，覆盖小、中、超大参数量等级。 （2）两阶段训练范式 1.自监督多任务预训练采用自回归下一个 Token 预测目标（适配 LLM 生成能力），设计十余类单细胞专属预训练任务：单细胞 / 多细胞语言建模、细胞类型注释、组织注释、条件细胞生成、基因集解析、数据集文本解读等，让模型同时学习基因表达规律与自然语言逻辑。 2.分层微调优化 ￮监督微调（SFT）：针对下游具体任务标注数据微调； ￮参数高效微调（LoRA）：仅更新少量模型参数，降低算力成本、避免过拟合； ￮GRPO 强化学习对齐（核心创新）：摒弃传统 PPO 的价值网络，以 BioBERTScore（面向生物医学领域的参考与生成文本相似度评估指标，是通用 BERTScore 的领域专用改良版，专门解决生物专业文本语义打分问题。）、基因表达相似度等生物学指标作为奖励函数，优化模型输出的生物真实性，训练更稳定、算力开销更低。 4. 创新评价指标 针对单细胞生成任务的评估短板，提出scFID（单细胞弗雷歇初始距离）：借鉴计算机视觉 FID 思路，用单细胞基础模型替代图像领域的 Inception-v3 网络，衡量 “模型生成细胞” 与 “真实细胞” 的分布相似度，成为评估细胞生成质量的核心指标；同时搭配基因重叠率、Kendall τ、Pearson 相关系数、MMD、Wasserstein 距离、BERTScore 等，形成完整评价体系。 5. 外部知识融合策略 不设计专用网络模块，而是将细胞通讯、蛋白互作等领域知识转化为自然语言提示词输入模型，让模型在训练中隐式学习生物学互作规律，灵活性远高于传统硬编码知识的模型。 三、核心实验结果 研究从模型缩放规律、通用单细胞任务、自然语言解读、空间组学推理、单细胞问答、扰动预测六大维度开展 benchmark，全面验证 C2S-Scale 的性能。 1. 验证 LLM 缩放定律在单细胞领域成立 1.参数规模效应：模型参数量从 410M 提升至 27B 时，细胞注释、细胞生成、数据集解读等所有任务性能持续稳定提升；该规律在“全量微调” 和 “LoRA 参数高效微调” 两种模式下均成立。 2.数据规模效应：固定模型大小，增加训练样本量同样会持续提升模型精度。 3.结论：该框架性能仍有较大提升空间，更大参数量、更大数据集可进一步挖掘潜力。 2. 传统单细胞任务：超越主流专用模型与通用 LLM 对比对象包括 scGPT、Geneformer 等专用单细胞模型，以及 Llama、GPT-4o、Gemini 等通用大模型： 1.细胞类型注释：免疫组织数据集上，C2S-Scale 分类准确率达 95.43%，优于 scGPT（93.1%）、Geneformer（94.0%）； 2.单细胞 - 批量 RNA-seq 融合：无需专项训练，即可精准匹配单细胞与伪批量转录组，对细胞状态的表征能力更强； 3.扰动响应预测：在细胞因子、药物扰动实验中，对未见过的扰动、多因子组合扰动、细胞 - 扰动 - 时长组合的泛化能力显著优于 scGen、scGPT、CellOT；经 GRPO 强化学习后，干扰素相关基因的 scFID 降低 16%，L1000 药物数据集上秩相关系数、皮尔逊相关系数均明显提升。 3. 多尺度自然语言解读：打通转录组与文本交互 首次实现从单细胞→细胞簇→全数据集三个层级的自然语言分析，大幅降低单细胞数据分析门槛： 1.单细胞层级：以自然语言形式预测细胞类型，对域外样本分类精度优异； 2.细胞簇层级：创新细胞簇描述生成（Cluster Captioning） 任务，为细胞簇生成专业生物学描述，在未见过的细胞簇上性能碾压所有通用 LLM； 3.数据集层级：模拟科研论文摘要，对完整 scRNA-seq 数据集生成总结。在 “分布内数据” 和 “完全全新域外数据集” 测试中，BERTScore 均超越 Llama、Meditron、GPT-4o、Gemini。 4. 空间转录组与细胞微环境（生态位）推理 基于人类肝脏空间转录组数据集（CosMx），设计生态位标签预测、邻近细胞生成、细胞邻域判断等四大空间任务： 1.模型仅依靠多细胞上下文编码，无需专门的空间感知架构，性能远超 scGPT 与 GPT-4o； 2.融入配体 - 受体互作（CellPhoneDB）、蛋白互作（BioGRID）文本知识后，空间推理能力进一步提升，两类数据库结合使用效果最优； 3.证明 C2S-Scale 可隐式学习细胞空间分布、细胞间通讯规律，适配空间单细胞数据分析场景。 5. 单细胞问答（scQA）能力 1.构建包含 2000 余条问答对的单细胞专属问答数据集，结合 scRNA-seq 数据与生物文献设计专业问题； 2.监督微调后模型性能已领先主流通用 LLM； 3.引入 GRPO 强化学习后，答案的生物学准确性进一步提升，拉开与通用 LLM 的差距，可支撑复杂生物问题推理。 四、标志性成果：虚拟药物筛选 + 湿实验验证（原创生物学发现） 这是本研究区别于纯算法模型的核心亮点，实现实验设计（提出好问题）→计算预测→生物学假设→体外实验验证的完整闭环，挖掘出全新药物作用机制。 1. 实验设计：双上下文虚拟药物筛选（提出好问题） 研究目标：筛选干扰素（IFN）条件性（有无干扰素）的抗原呈递增强剂（用于肿瘤免疫治疗），设置两种对照环境： •免疫阳性环境：细胞存在低水平干扰素信号（生理常见状态）； •免疫中性环境：无干扰素信号。筛选药物库：从 L1000 数据库筛选出 4266 种具备商业化潜力的小分子药物。 2. 模型预测结果 模型发现Silmitasertib（CX-4945，CK2 激酶抑制剂） 存在显著上下文分化效应： 1.低干扰素环境下：该药物可显著上调 MHC-I（I 类主要组织相容性复合物），增强抗原呈递能力； 2.无干扰素环境下：药物几乎无任何作用； 3.现有公开文献从未报道该功能，属于全新预测。 3. 生物学假设 Silmitasertib 并非直接启动抗原呈递通路，而是降低细胞对干扰素的响应阈值，作为干扰素的“条件性增效剂” 发挥作用。 Silmitasertib  并非直接启动抗原呈递通路，而是 降低细胞对干扰素的响应阈值 ，作为干扰素的 “ 条件性增效剂 ”  发挥作用。Silmitasertib 作用简要解析核心定位 ：干扰素条件性增效剂，不直接激活抗原呈递通路。核心机制 ：下调细胞对干扰素的响应阈值 —— 同等干扰素刺激下，细胞更容易触发下游免疫信号。区别于直接通路激活药 ：它不会单独启动抗原呈递；必须依托干扰素存在，放大干扰素的免疫激活效果，属于辅助增效，而非通路启动源。功能逻辑 ：干扰素是免疫信号核心，该药降低细胞感应干扰素的门槛，让弱干扰素信号也能有效诱导抗原呈递、抗肿瘤免疫。 4. 湿实验验证（完全域外细胞模型） 选用模型训练集从未包含的两种人类神经内分泌肿瘤细胞系（默克尔细胞癌、小细胞肺癌）开展体外实验： 1.单独使用 Silmitasertib：细胞表面 MHC-I 表达无明显变化；（证明：Silmitasertib 并非直接启动抗原呈递通路 假设成立） 2.低剂量干扰素（IFN-β/IFN-γ）联合用药：MHC-I 平均荧光强度（MFI）显著提升，增幅达 13.6%~37.3%；（证明：Silmitasertib 降低细胞对干扰素的响应阈值 假设成立） 3.该效应在两种细胞系、多种干扰素亚型中均可稳定复现。（证明：Silmitasertib 作为干扰素的“条件性增效剂” 发挥作用 假设成立） 5. 生物学价值 揭示了药物上下文依赖的作用机制，为肿瘤免疫联合治疗提供了全新候选药物与研发思路，直接证明 C2S-Scale 具备挖掘原创生物学规律、指导湿实验的实战能力。 五、研究局限性与未来展望 1. 主要局限性 1.因果注意力的单向性缺陷：模型采用自回归因果注意力，基因按表达量排序形成单向依赖，难以天然建模“低表达基因调控高表达基因” 的真实生物因果关系； 2.LLM 固有幻觉问题：在开放式文本生成（数据集摘要、细胞簇描述）任务中，可能产出看似合理但违背生物学事实的内容，影响高风险场景可靠性； 3.组学数据单一：目前仅整合转录组数据，未纳入表观基因组、蛋白质组、临床表型等多组学信息。 2. 未来研究方向 1.模型与数据扩容：训练更大参数量模型、整合表观组、蛋白组、临床数据，构建全多组学统一生物大模型； 2.架构与算法优化：引入双向注意力、可变基因排序等方案，弥补因果注意力缺陷；开发生物专用事实校验、约束解码技术，降低模型幻觉； 3.强化学习深度适配：优化强化学习对齐策略，让模型更贴合复杂生物学任务目标； 4.应用场景拓展：打造“虚拟细胞” 平台，深耕药物研发、疾病机制解析、精准医疗等落地场景。 六、整体核心贡献 1.方法学创新 ￮完成 C2S 框架超大规模升级，推出 270 亿参数 C2S-Scale 系列模型，首次验证 LLM 缩放定律适用于单细胞转录组领域； ￮提出 scFID 单细胞生成评价指标、基于 GRPO 的单细胞专用强化学习流程，完善了 LLM 在生物领域的技术体系； ￮开创“转录组→文本” 的通用转换范式，无需定制模型架构，最大化复用 LLM 成熟生态。 2.技术能力突破实现单细胞分类、生成、空间推理、自然语言交互、问答、药物虚拟筛选全任务覆盖，性能全面超越传统单细胞模型与通用 LLM，构建了新一代一站式单细胞分析平台。 3.生物学落地价值通过虚拟筛选发现 Silmitasertib 全新的干扰素依赖性药理作用，并经湿实验验证，证明该模型可独立产出原创、可验证的生物学发现，打通“计算生物学→实验生物学” 的闭环。 4.开源共享研究代码、模型权重全部开源（代码仓库：https://github.com/vandijklab/cell2sentence），为全球单细胞与 AI 交叉领域研究提供开放工具。 七、总结 该研究跳出了“为单细胞任务定制专用模型” 的传统思路，借助细胞句子这一巧妙的数据转换方式，将通用大语言模型的规模化能力、多模态能力、自然语言能力引入单细胞组学领域。C2S-Scale 不仅是一款性能领先的分析工具，更是一套面向下一代单细胞研究的全新范式，既推动了计算生物学算法的发展，也为药物研发、肿瘤免疫、基础细胞生物学等领域提供了强大的 AI 赋能平台。 论文《Scaling Large Language Models for Next-Generation Single-Cell Analysis》图表中文解读 一、全部附图中文说明 图 1：基于大模型的单细胞分析多维度拓展图 图示主题：C2S 框架全维度升级，展示模型容量、数据集规模、多模态、多细胞上下文、多生物学尺度、自然语言解析六大能力维度。 1.数据集规模（Dataset Size）：包含 800 + 数据集、1.7 亿单细胞样本、1.06 亿注释、超 10 亿文本 Token；整合单细胞全景图。 2.多模态（Multimodality）：整合细胞类型、疾病、组织、药物扰动、论文摘要、基因集、基因互作文本；核心转换逻辑：单细胞表达→细胞句子（GeneA GeneB……）。 3.上下文多样性（Context Diversity）：支持单细胞、多细胞 + 注释两种输入格式。 4.生物学尺度（Biological Scales）：覆盖基因→单细胞→细胞簇→组织→供体 / 有机体层级。 5.模型容量（Model Capacity）：大模型缩放定律曲线，参数量越大性能持续提升。 6.生物学解读（Biological Insights）：人机问答示例，输入单细胞数据，模型用自然语言输出细胞、组织生物学结论。核心结论：C2S 打通计算算法与生物发现，加速下一代单细胞组学研究。 图 2：C2S-Scale 打通单细胞转录组与自然语言的整体流程 A 多模态训练语料库：数据源：1.73 亿单细胞 / 批量测序样本、800 + 数据集；配套注释：细胞类型、物种、组织、疾病、扰动；文本资源：论文、基因集、基因互作（SOX1、FOXP2 等基因示例）。B 细胞句子转换规则：单细胞表达矩阵（行 = 细胞，列 = 基因）→按表达量降序排序基因名称，生成文本式 “细胞句子”，无模型结构修改，直接适配通用 LLM。C 四大下游任务示例： 1.细胞类型预测：输入细胞句子，输出细胞类别（如 CD8+ T 细胞）； 2.扰动响应预测：输入细胞 + 药物问题，输出扰动后基因表达序列； 3.条件细胞生成：输入组织 / 细胞类型条件，生成对应细胞句子； 4.生物问答：输入细胞数据 + 生物学问题，输出自然语言生物学解释。 图 3：多任务雷达图 ——C2S-Scale 全面超越单细胞专用模型与通用大模型 雷达轴（全部评测任务）：免疫细胞注释、肺细胞注释、细胞嵌入（免疫 / 肺）、单细胞 - 批量整合、细胞簇描述、数据集解读（未见过细胞 / 未见过研究）、问答、扰动预测。对比模型：C2S-Scale（最优）、GPT-4o、Gemini-1.5、Geneformer、scFoundation、scGPT。核心结果：C2S-Scale 是唯一能覆盖全品类单细胞预测、生成、自然语言推理的模型，所有任务指标均领先对比方案。 图 4：模型与数据缩放性能趋势图 A 多任务输入输出样例：预测类（蓝色）、生成类（红色）、文本解读类（绿色）任务 prompt 模板。B 缩放性能曲线 1：全微调模型，横轴参数量、纵轴 BERTScore，细胞注释、数据集解读、条件生成任务随参数量增大持续提升。C 缩放性能曲线 2：LoRA 低秩微调（参数高效训练），2B、27B 模型同样满足缩放规律，参数量越大效果越好。D 缩放性能曲线 3：固定 27B 模型，训练样本量提升，所有任务 BERTScore 同步上涨。结论：扩大模型参数量、扩充训练数据均可稳定提升单细胞分析能力，该框架仍有性能上升空间。 图 5：多生物学尺度自然语言解读能力 A 生物层级链条：单细胞→细胞簇→组织→有机体，对应四级解读场景。B 单细胞层级：免疫细胞真实标签 vs 模型预测标签混淆矩阵，分类准确率极高。C 细胞簇层级：未知细胞簇自动描述任务，C2S-Scale BERTScore 显著高于其他大模型。D 细胞数据集（全新细胞样本）：对从未出现的单细胞数据集生成摘要，性能领先。E 细胞数据集（全新研究数据集）：完全未见过的测序研究，模型仍能生成准确生物学总结。 图 6：C2S-Scale 空间单细胞微环境推理能力 A 四大空间预测任务： 1.生态位标签预测；2. 邻近细胞生成；3. 细胞邻域归属判断；4. 细胞是否属于同一生态位。定义：邻域 = 固定半径 20μm 内全部细胞。B 基因互作知识库：CellPhoneDB 配体 - 受体、BioGRID 蛋白互作转为自然语言问答输入模型。C 空间预测准确率柱状图：基线 scGPT、GPT-4o；依次叠加 CellPhoneDB、BioGRID、双库联合后 C2S-Scale 精度持续上升（\p<0.05，\*p<0.01）。结论：无需定制空间网络，仅靠多细胞上下文 + 基因互作文本即可精准预测组织细胞空间分布。 图 7：单细胞问答（scQA）评测结果 A 问答示例：输入组织抑制性神经元单细胞数据 + 专业问题，模型输出完整分子机制解释（GAD1/GAD2 基因、GABA 合成通路）。B GRPO 强化学习框架：对同一 prompt 生成多份回答，按分数标准化计算相对优势，优化模型输出。C 问答任务 BERTScore 柱状图：C2S-Scale（SFT 监督微调 + GRPO 强化）远优于 Llama、Gemini、GPT-4o 等通用生物大模型，领域推理能力更强。 图 8：扰动响应预测基准测试 A 扰动预测整体框架：批量测序、单细胞、CRISPR 基因敲除、细胞因子刺激四类扰动输入，模型输出扰动后表达谱，使用 scFID 量化生成细胞与真实细胞差异。B scFID 指标原理：借鉴图像 FID，用单细胞基础模型做嵌入，计算真实 / 生成细胞分布距离。C 扰动预测 prompt 示例：输入 CD4 T 细胞 + 慢性 IFNγ 刺激，输出扰动后细胞句子。D UMAP 可视化：所有混合扰动、CD4 T 细胞 IFNγ、B 细胞 IFNβ+IL6 三类场景，C2S-Scale 生成细胞分布最贴近真实样本。E 定量指标（scFID、MMD、Wasserstein 距离）：C2S-Scale 优于 scGen、CellOT、scGPT。F GRPO 奖励机制：以凋亡、干扰素应答等特征基因集相似度作为奖励优化模型。G 消融实验：SFT+GRPO 相比仅监督微调，Kendall 相关系数、Pearson 相关、scFID 指标全面提升。 图 9：免疫双上下文虚拟筛选发现 Silmitasertib 药物 A 筛选设计：两种培养环境 —— 免疫阳性（内源干扰素）、免疫中性（无干扰素），筛选可上调 MHC-I 抗原呈递的小分子。B 免疫阳性筛选散点：横轴 HLA 平均 log2 倍数变化，纵轴显著性，红点 Silmitasertib 为 top 候选。C 免疫中性筛选散点：该药物无显著提升效果，存在明显上下文分化效应。D 干扰素响应得分：阳性样本 ISG 基因得分显著更高。E 作用假说：Silmitasertib 不直接激活抗原呈递，仅在低干扰素存在时降低细胞应答阈值，放大 MHC 表达。F 默克尔细胞实验：单用药物无变化，联合 IFNβ 后 MHC-I 荧光强度剂量依赖性上升。G 同细胞 IFNγ 联合处理，效果同样显著。H 人肺神经内分泌细胞重复验证，复现干扰素协同效应。 图 10：细胞句子可逆转换验证 PBMC、心脏两组单细胞数据集：基因 log 秩与标准化表达量线性拟合，R² 分别 0.866、0.824，转换信息丢失极低，可从基因序列还原原始表达数值。 图 11：数据集自动摘要示例 人脑、肾脏、胶质母细胞瘤三组单细胞研究，模型自动生成论文级摘要，覆盖细胞亚群、疾病通路、组织特征。 图 12：药物筛选补充散点 左右分别为免疫阳性 / 中性条件下所有化合物 HLA 变化显著性，Silmitasertib 红点仅在干扰素环境下显著上调抗原呈递，与 ssGSEA 富集打分结论一致。 二、论文表格中文翻译（表 1 多任务预训练总表） 任务名称 任务类型 输入信息 输出目标 评价指标 单细胞语言建模 单细胞任务 无输入条件 单细胞句子 基因重叠率 细胞类型注释 单细胞任务 单条细胞句子 对应细胞类型 BERTScore 条件单细胞生成 单细胞任务 指定细胞类型 对应细胞句子 基因重叠率 多细胞语言建模 多细胞任务 无输入条件 多条细胞句子 基因重叠率 组织样本注释 多细胞任务 多条细胞句子 组织标签 BERTScore 样本多细胞类型注释 多细胞任务 多条细胞句子 全部细胞类型 BERTScore 组织条件多细胞生成 多细胞任务 组织标注 多条细胞句子 基因重叠率 细胞类型条件多细胞生成 多细胞任务 多类细胞标注 多条细胞句子 基因重叠率 论文摘要条件多细胞生成 多细胞任务 文献摘要文本 多条细胞句子 基因重叠率 单细胞数据集自然语言解读 多细胞任务 多条细胞句子 研究摘要文本 BERTScore 基因集枚举 基因集任务 基因集名称 基因列表 基因重叠率 基因集命名 基因集任务 一组基因 基因集名称 BERTScore “自监督多任务预训练”概念区分+文本修正+逻辑说明 一、关键概念厘清：自监督 vs 监督任务 原文存在概念矛盾点： 1.自回归下一个 Token 预测 = 纯自监督任务无需人工标注标签，仅依靠序列自身上下文构建预测目标（用前文预测下一个基因 / 文本 Token），数据本身自动生成监督信号。 2.细胞类型注释、组织注释、条件细胞生成、基因集解析、数据集文本解读 = 带标注的监督 / 弱监督任务，依赖人工标注的细胞类型、组织标签、文本描述等外部标签。 因此这套方案准确命名为：自监督 + 监督混合多任务联合预训练，不能简单统称“自监督多任务预训练”，严格定义要拆分两类任务范式。 二、优化规范表述（学术书面版，修正概念歧义） 采用自回归 Next Token 预测作为基础自监督目标，保障模型具备类 LLM 序列生成能力；同时搭配十余类单细胞专属监督 / 弱监督预训练任务联合优化，任务覆盖：单细胞 / 多细胞语言建模、细胞类型注释、组织注释、条件可控细胞生成、基因集解析、数据集文本解读等。通过自监督生物序列建模与标注型语义任务协同训练，使模型同步习得基因表达内在规律与生物自然语言跨模态逻辑。 三、各任务范式归类 1. 纯自监督任务（无人工标签） 单细胞 / 多细胞语言建模（Next Token 预测）输入基因序列 / 细胞特征序列，仅依靠序列本身构建预测损失，完全自监督。 2. 监督 / 弱监督任务（依赖标注数据集） •细胞类型注释、组织注释：分类监督任务，标签为人工标注细胞 / 组织类别； •条件细胞生成：条件生成监督任务，以标签、文本为条件约束生成细胞表达谱； •基因集解析、数据集文本解读：跨模态对齐监督任务，配对基因数据与生物描述文本做匹配、生成训练。 四、设计核心逻辑 1.以自回归自监督任务打底：让模型先自主挖掘基因、细胞序列底层分布规律，学习基础序列表征； 2.叠加多类标注监督任务：引入人工先验生物知识，对齐组学数值与自然语言语义； 3.多损失联合优化：自监督损失 + 各类监督损失加权求和共同更新权重，最终模型同时掌握生物数据建模、文本理解、条件生成多重能力。 生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物产业+物理AI=生物智能 产业智能官：NeuroAI 加入知识星球“生物智能研究院”：自动化生物铸造厂OT技术（自动化+机器人+工艺+精益）和新一代IT技术（云计算+物联网+区块链+大数据+人工智能）深度融合，在场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物科学智能作为第四次工业革命的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎；重构设计、生产、供应链和服务等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态和新模式；引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。 产业智能化技术分支用来的今天，从业者必须了解如何将生物科学智能（NeuroAI）全面渗入整个公司、产品、业务等商业场景中，利用生物科学智能（NeuroAI）形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。 版权声明：产业智能官（ID：NeuroAI）发表的文章，除非确实无法确认，我们都会注明作者和来源，涉权请联系协商解决，联系、投稿邮箱：wolongzy@qq.com