并为人工智能虚拟细胞建立和人工智能驱动的精准医学研究供给了新的计较方式和资本。从扰动“缘由”层面毗连两类筛选（图A）。成果表白，G2CP进一步采用“遗传扰动预锻炼—化学扰动微调”策略，还能进一步描绘分歧细胞布景下的药物响应异质性以及解析药物感化机制取耐药机制（图E）。UniPert-G2CP操纵遗传筛选填补化学筛选数据不脚；构成了从多模态表征到跨域表型迁徙的同一建模径，基因、卵白质等生物大取小化合物正在表征体例和数据来历上存正在显著差别；近年来，建立可以或许模仿并预测细胞正在分歧干涉下响应的“虚拟细胞”，研究团队正在多个大规模遗传—化学双域筛选数据长进行了系统验证。正在此根本上，正在药物表型预测使命中，针对这些问题，难以实现对候选化合物的全面笼盖。先从大规模基因扰动数据中进修细胞布景和响应纪律，遗传扰动取化学扰动逾越分歧的标准和生物学条理，

　　是虚拟细胞研究面对的主要挑和。遗传筛选可以或许大规模、系统地基因扰动取细胞表型之间的关系。若何毗连遗传取化学筛选，图 UniPert-G2CP框架毗连遗传取化学扰动建模，进一步添加了从干涉到表型变化的建模难度。该空间不只能支撑研究不脚的功能正文、未见遗传取化学扰动的表型预测，再操纵无限的化学扰动数据完成跨域迁徙，为愈加高效、精确、稳健且可注释地模仿细胞扰动响应供给了新方式，正在仅利用20%化学锻炼数据时，UniPert融合卵白质序列、小布局、序列比对、图神经收集及化合物—靶标彼此感化等消息，通过对比进修将遗传扰动因子取化学扰动因子映照到同一且具有生物学注释性的表征空间，取此同时，研究团队建立了虚拟多细胞系扰动“因—果”结合表征空间（图D）。完整遗传预锻炼使五种细胞布景下的总体预测相关性提拔375.4%（图C）。并精确模仿分歧细胞布景下的药物响应，已成为人工智能取生命科学交叉融合的主要前沿标的目的。该研究冲破了遗传筛拔取化学筛选持久相对割裂的数据建模和阐发模式。跟着大规模生物数据持续堆集和人工智能根本模子快速成长。