虚拟细胞第一次在真实肿瘤样本上跑通：蛋白质比 RNA 更会说实话

三阴性乳腺癌的麻烦在于没有抓手。雌激素受体、孕激素受体、HER2 三个常见靶点全都不表达，可用的靶向方案比其它亚型少一大截。面对成百上千种候选药和联合用药组合，医生能依据的证据相当有限。

9 月 9 日，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，在 Nature 发表了题为「An operational perturbation proteomics-based virtual cell model」的工作，给出了一个不同的思路：让模型学蛋白质，而不是学 RNA。

图1：同样的目标，两条不同的数据路线

为什么换模态

近两年做虚拟细胞的主流路线是用转录组数据训练基础模型，让 AI 从基因表达规律里学细胞状态，再预测细胞在药物干预下的变化。这条路有产出，但卡在一个老问题上：蛋白质才是细胞功能的执行者，而 RNA 丰度和蛋白质丰度的相关性只有 0.4 上下。模型学到的，是「说明书会怎么改」，临床要的是「施工队会停在哪」。

限制来自数据本身。时间分辨的扰动蛋白质组数据一直稀缺——要在给药后的多个时间点连续测蛋白，成本和工作量都比一次性测序高得多。这条路线此前一直停在起步阶段。

把照片换成电影

ProteinTalks 的关键词是「operational perturbation proteomics」：不是测一次静态快照，而是在药物扰动下按时间连续采样，记录蛋白质组怎么随时间变化。对模型来说，这是把照片换成电影——同一个 24 小时后的蛋白数值，可能来自先升后降，也可能来自缓慢爬升，单时间点分不出来，时间序列可以。

图2：虚拟细胞落地要经过的四道关

结果上，这套模型在三阴性乳腺癌的药物反应预测上超过了现有的转录组模型。更值得注意的是迁移能力：模型被用到黑色素瘤、肺癌等其它癌种，以及患者预后分层上，仍然有效。这说明它学到的不是某个数据集的噪声，而是某种可迁移的药后蛋白质动态规律。

给 AI 制药指了另一条路

过去两年，「虚拟细胞」几乎等同于「更大的模型 + 更多的数据」。这项工作展示的是另一条路径：不追求覆盖所有细胞类型，而是锁定一个具体临床问题，为它专门采集能直接指向答案的数据。数据规模小得多，但每条都更接近要预测的那个量。

限制也要说清楚。模型从单一癌种起步，质谱通量决定了它还不是一种便宜的常规检测手段；从预测药敏到真正改变临床决策，中间还隔着前瞻性验证。但方向已经摆出来了：虚拟细胞的瓶颈，可能从来不在模型那一侧。

关联推荐

• 高血糖给癌细胞披上一层糖衣盾牌 — 肿瘤代谢与免疫逃逸的另一面
• 中国团队的食管癌新抗原疫苗 — 个体化治疗离常规还有多远
• CAR-T 走出癌症 — 细胞疗法向自身免疫病扩张