2026年5月21日，北京大学将来本领学院王劲卓团队在CellReportsMethods在线发表了题为“Agenerativeframeworkforpredictingcellularmorphologicalandtranscriptomicperturbationresponses”的磋论说文，建议了一种面向AIVirtualCell(AIVC)的多模态生成式诬捏细胞框架MultiVCDiff。该门径简略仅基于药物结构或基因扰动信息，同期瞻望细胞边幅图像和转录组抒发谱，为大限度诬捏筛选、扰动响应模拟和药物作用机制默契提供了新的打算器用。

细胞在受到药物、基因剪辑等外界扰动后，会在多个层面产生复杂响应。其中，细胞边幅简略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门径。准确瞻望这两类响应，关于深化细胞行运变化、默契药物作用机制以及构建AIVC具有进犯有趣有趣。

比年来，机器学习门径被庸碌用于细胞扰动响应瞻望，但现存门径仍存在两类要津瓶颈：一类门径经常只瞻望单一模态，举例仅生成细胞边幅图像或仅瞻望基因抒发变化，难以描述细胞边幅与分子门径之间的内在关连；另一类跨模态生成门径诚然简略诈欺转录组瞻望边幅，或诈欺边幅关联分子气象，但时常需要扰动后的实测RNA或图像行为输入，因此无法用于实在的denovo诬捏筛选。关于尚未实际测试的新药物或新基因扰动，扰动后的实测数据并不存在，这收尾了这些门径在真是药物发现场景中的应用。

针对上述挑战，研究团队诞生了MultiVCDiff。不同于依赖扰动后实测数据的跨模态生成模子，MultiVCDiff径直以扰动自己行为条款输入，在归拢的扩散生成框架中同步生成细胞边幅图像和基因抒发谱。关于药物扰动，模子将化合物结构行为输入；关于基因扰动，模子将成见基因暗示行为输入。通过这种遐想，MultiVCDiff简略在莫得任何扰动后实际读数的情况下，瞻望细胞可能产生的多模态响应，亚博·体育世界杯(中国)官方网站从而更面对真是诬捏筛选任务的需求。在数据层面，研究团队系统整合了CellPainting细胞边幅数据与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、细胞边幅图像和对应的基因抒发谱，为模子学习“扰动—边幅—转录组”三者之间的关联提供了基础。

2026世界杯天博体育(TBSports)官方网站

图一：数据构造与MultiVCDiff框架图

在细胞边幅瞻望任务中，MultiVCDiff展示出优于现存门径的生成智力。研究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。成果标明，MultiVCDiff简略生成更接近真是细胞图像的扰动特异性边幅，并显耀裁汰FID和KID等图像分散距离目的。与容易产生模式崩塌的基线模子比较，MultiVCDiff简略更好地分裂不同药物辅导的细胞边幅各异。研究团队进一步使用CellProfiler从图像中索求6，345个边幅学特征，发现MultiVCDiff生成图像的特征分散与真是扰动细胞高度一致，并显著区别于未扰动对照细胞。

在转录组瞻望任务中，MultiVCDiff不异深化出宏大的零样本泛化智力。研究团队在CPgenes-LINCS数据集上构建了严格的out-of-distribution测试场景，将30个结构上与检会集显耀不同的药物行为测试集。成果显露，MultiVCDiff瞻望的基因抒发logfoldchange与真是实际成果高度一致，举座关联性达到0.872，简略准确捕捉不同药物辅导的上斡旋下调基因抒发模式。此外，研究团队还将MultiVCDiff与chemCPA、biolord和PDGrapher等先进转录组扰动瞻望模子进行系统比较。成果标明，MultiVCDiff在各异抒发基因识别、AUPRC、Spearman关联性、抒发变化标的一致性等多个目的上均获得超越或具有竞争力的性能。

综上，该研究建议的MultiVCDiff为构建生成式AIVC提供了一个新的本领框架。它打破了现存门径只可瞻望单一模态、或依赖扰动后实测数据进行跨模态生成的收尾，简略仅基于药物结构或基因扰动信息，同期瞻望细胞边幅和转录组响应。这一智力使其具备应用于大限度诬捏筛选、药物机制默契、药物重定位和新靶点发现的后劲，也为将来发展愈加无缺、可证据、可膨胀的诬捏细胞模子奠定了基础。

北京大学将来本领学院王劲卓为论文通信作家，北京大学前沿交叉学科研究院博士生彭睿为论文的寥寂一作，北京大学元培学院本科生刘子孺为论文作念出了进犯孝敬。

参考文件：

Bunne，C.，九游体育中国官网入口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.亚博·体育世界杯(中国)官方网站，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，Y.，Nandi，T.N.，Madduri，R.，Shen，J.，andGevaert，O.(2024).Generationofsyntheticwhole-slideimagetilesoftumoursfromRNA-sequencingdataviacascadeddiffusionmodels.Nat.Biomed.Eng9，320–332.