给细胞做一门通用语言：1.12 亿个细胞训出的基础模型

每个细胞携带同一套基因组，却只打开其中一部分。胰腺 β 细胞开启胰岛素相关基因，B 细胞开启抗体基因，正是「打开哪些基因」决定了细胞的身份和状态。过去十几年，单细胞测序积累了数亿个细胞的表达数据，但把这些来自不同实验室、不同组织、不同物种的数据放到一起理解，已经超出了人力所及。

两个模型，两件事

2026 年 9 月，斯坦福大学 Stephen Quake 与 Jure Leskovec 团队联合CZI在《自然》和《科学》上背靠背发表两项成果，分工很清晰。

第一个是通用细胞嵌入（UCE）。它做的事情是建立坐标系：把各种来源的细胞映射进同一个数学空间，在这个空间里「相似」和「不同」可以直接度量。原本拼不到一起的图谱因此有了统一的底图。

图示：来自不同实验室与物种的细胞被映射进同一个潜空间，同类型自然聚拢

第二个是 TranscriptFormer，一个生成式细胞图谱模型。它的训练方式类似语言模型，只不过预测的不是缺失的词，而是缺失的基因表达值。训练集覆盖 12 个物种、1.12 亿个细胞，跨越约 15.3 亿年的进化距离，从单细胞酵母一直延伸到人类，最大跨物种进化距离 6.85 亿年。所有细胞被映射到一个 1280 维的潜空间。

跨物种这件事成立吗

物种之间差异巨大，凭什么放进同一个空间？模型给出的答案是：不同物种的细胞遵循相似的基因协同规则。哪些基因倾向于一起开启、哪些倾向于互相抑制，这套规律在进化中被保留下来，模型学到的正是这一层，而不是某个物种的表面特征。

因此它展现出几项能力：对训练中没见过的物种完成细胞类型鉴定；零样本区分人类的健康细胞与病变细胞；还能生成当前自然界并不存在的功能细胞状态，为细胞治疗和再生医学的设计提供搜索空间。

图示：训练数据覆盖的物种跨度，从单细胞酵母延伸到人类

接下来要看什么

两项成果的意义在于把细胞生物学从「每个实验室各自建图谱」推进到「共用一张底图」。研究团队把这一进展描述为一个新领域的开端。

需要保持清醒的是，模型的输出仍然是预测。跨物种推断在进化距离较远时可靠性如何，生成的虚拟细胞状态在真实实验里能否被诱导出来，这些都需要 Wet lab 的验证。工具已经就位，检验才刚开始。

关联推荐

• VirTues：给「虚拟组织」预训练一个基础模型：了解虚拟组织的预训练模型怎么搭
• 基因测序简史：从九千五百万降到五百美元：回顾测序成本从九千五百万降到五百美元
• 1494 个大脑，630 万份表达谱：一张前额叶皮层的终生地图：看大规模脑表达图谱是怎么建起来的