透过显微镜观察，你看到的不过是细胞的形态轮廓；若想深入理解一个细胞正在执行什么功能，关键在于追踪它激活了哪些基因。时至今日，全世界科研人员已汇聚了数以亿计的细胞级基因转录记录，数据规模之庞大，远超人类认知能力的极限。

为应对这一挑战，研究团队专门打造了两个人工智能系统。其一命名为"通用细胞嵌入"（UCE），核心任务是将各类细胞映射至统一的参照框架中；其二名为"TranscriptFormer"，其训练语料覆盖了12种生物共计1.12亿个细胞的转录组信息。两者协同运作，构建出一个"共享语义空间"，使得跨越物种界限的细胞对比分析不再困难，同时也为解析人类病理机制及开发新型细胞疗法开辟了全新路径。

上述成果分别刊载于《自然》与《科学》两大顶级期刊。该项目的联合第一作者、斯坦福大学生物工程领域教授斯蒂芬·奎克坦言，他期待这两项工作能够标志着一个崭新生物学方向的起点，并指出此后仍有长达数十年的探索任务等待全球同行去攻克。

解读细胞究竟"点亮"了哪些基因

尽管同一生物体内的所有细胞携带完全相同的遗传密码，却绝不会将全部基因同时激活。例如，胰腺中的β细胞会特异性地开启与胰岛素合成及分泌相关的基因通路；免疫系统中的B细胞则调启抗体编码基因以抵御病原体侵袭；而表皮中某一特定类型的细胞，可能优先表达与毛囊发育或黑色素生成有关的基因。正是这种差异化的基因激活模式，塑造了细胞的多样性——正常状态与病理状态的细胞表现各异，不同物种间的细胞同样遵循各自独特的表达规则。

过去几年间，科研界陆续绘制了大量单细胞转录图谱，将涉及数万条基因、数亿个细胞的信息归档至公共数据库中。数字固然惊人，却也催生了一个棘手的现实难题：面对如此海量的多维信息，研究者如何有效地整合与解读？

奎克直言："这绝非人脑所能胜任的工作，而AI的存在正是为了弥补这一缺口。"他的团队意图借助算法手段驾驭这些高维复杂数据，本质上是为实验人员额外配备了一副"增强型视觉器官"。

第一步"定标"，第二步"补全"

两套系统在功能上各司其职。

UCE的首要任务是搭建参照系。它能够把源自不同研究机构、不同解剖部位乃至不同物种的细胞样本，统统投射进同一个抽象的数学流形之中。奎克将其比喻为一个并非对应任何真实物理维度、却能量化"亲疏远近"的度量空间。理论上，地球上一切真核与原核生物的细胞都能在这个空间中占据确定位置——距离越近意味着功能或谱系上的关联越强，距离越远则表明分化程度越高。如此一来，以往彼此割裂、难以拼接的多张单细胞图谱便获得了一张统合性的底层地图。

随后"TranscriptFormer"接手完成"填补缺失"的任务。其训练逻辑与ChatGPT颇为神似：后者作为大语言模型，通过反复阅读含有空白槽位的句子、持续预测被遮蔽的词汇直至收敛出正确答案；"TranscriptFormer"的操作对象则是基因表达数值而非文字，它不断接收被人为抹去部分基因读数的细胞样本，逐步学会推断那些被隐藏的表达水平，最终内化了细胞内部各基因之间相互协作的深层规律。

该模型的预训练数据集横跨12个物种，除了人和酿酒酵母之外，还包括小鼠、兔、家鸡、斑马鱼、果蝇、非洲爪蟾、引发疟疾的疟原虫、海胆、多孔动物门的海绵，以及著名的模式生物秀丽隐杆线虫。从结构最简单的单细胞酵母到高度复杂的人类，进化树上的跨度极为宽广。也正是由于训练素材足够多样，模型才有机会提炼出一套适用于多个物种的细胞"通用语法"。

从最基础的演化谜题到尚未诞生的细胞构想

这套工具体系究竟能解决什么实际问题？团队首先选取了构造最为原始的海绵作为验证案例。

海绵不具备真正的神经系统，但学界长期关注一个疑问：在其众多细胞类型中，哪一种最有可能充当神经元的远古"原型"？模型的分析结果指向一类称为领细胞（choanocyte）的结构，它在转录特征空间中与线虫和两栖类的神经元表现出高度邻近性。这一发现不仅有助于追溯神经元在生命演化史上的起源轨迹，也让人们得以重新审视领细胞在海绵体内所承担的真实生理角色。

颇具启发意味的是，海绵中还存在一类被称为neuroid的细胞，名称暗示其与神经元有渊源，然而模型检测出其基因表达谱反而更接近蛙类的内分泌腺体。据此推测，这类细胞实际参与的可能并非信号传导，而是消化代谢过程。

对于模型从未在训练中接触过的全新物种，研究人员仅需提供相应的转录组数据，系统便能初步辨识其中包含哪些细胞类别。此外，团队还验证了该模型能够有效分辨正常组织与癌变或受损组织之间的差异。

展望更长远的未来，或许可以利用这套框架"设计"出当前自然界中尚不存在的功能性细胞蓝图，进而反向指导下一代细胞治疗策略的开发。当然，奎克特别强调，AI的定位绝非取代一线生物学家，而是为具备深厚专业背景的研究者赋予一件强有力的探索利器，帮助他们触及更为深层次的科学问题。

美国国防高级研究计划局、美国国家科学基金会，以及亚马逊科技集团、英国葛兰素史克制药公司等多家机构为本研究提供了资金支持。就整个细胞生物学领域而言，这两项工作的核心价值恐怕不仅仅在于多了一套计算工具，更在于它为细胞研究奠定了一个能够跨越物种屏障、贯穿多种疾病场景、可持续迭代复用的统一基础设施。