知识卡片：AI虚拟试药登上《Cell》主刊——腾讯与中南大学构建统一生物表征空间

一句话结论

腾讯生命科学实验室与中南大学合作开发的UniPert-G2CP模型，首次将基因扰动、化合物结构与细胞转录组响应纳入同一因果空间，实现用低成本基因数据预测高成本的化合物-细胞响应，相关成果发表于《Cell》主刊，成为国内首篇在该刊发表的AI虚拟细胞研究。

事件概述

腾讯生命科学实验室与中南大学联合团队在《Cell》主刊发表了UniPert-G2CP模型，旨在攻克“化学扰动×细胞特异性响应”这一难题。该算法通过构建统一的生物表征空间，实现从密集的低成本基因数据到稀缺昂贵的化合物-细胞响应预测的“知识迁移”。

方法/产品要点

• 核心架构：UniPert-G2CP将基因扰动、化合物结构与细胞转录组响应纳入同一因果空间，使得不同模态的生物数据可被统一表征与关联。
• 数据覆盖：研究涵盖4,994个基因 × 7,860种化合物 × 5种癌症细胞系的大规模组合。
• 关键技术路径：利用密集且成本较低的基因扰动数据作为桥梁，间接推断化合物对特定细胞系的转录组影响，从而降低对昂贵实验数据的依赖。
• 闭环验证：针对ESR1靶点，完成了耐药机制的闭环验证，证明模型可解释并预测临床相关的耐药突变。

主要结果或产业意义

• 这是国内首个登上《Cell》主刊的AI虚拟细胞研究，标志着中国在AI+生命科学领域的基础研究获得国际顶刊认可。
• 该工作有望大幅降低新药研发中“化合物-细胞响应”实验的成本与周期，加速先导化合物筛选与耐药机制发现。
• 未来计划将UniPert-G2CP集成至AI生命科学Agent平台，实现自动化、智能化的虚拟试药流程。

为什么重要

• 区别于传统虚拟筛选仅预测分子结合，本工作直接建模化合物对细胞转录组的全局影响（转录组响应），更贴近药物作用的真实生物学过程。
• 通过因果空间对齐，首次实现“基因扰动知识”向“化合物响应预测”的跨模态迁移，解决了数据稀缺场景下化合物-细胞响应预测的瓶颈。
• 与已有相关卡片（如SIMA 2等通用agent）不同，本条聚焦于专用生命科学agent的底层能力构建，展示了agent在垂直科学领域的核心突破。

局限与不确定性

• 材料中未提及模型在非癌症细胞系或非转录组层面的泛化能力，待核实。
• 耐药机制闭环验证仅在ESR1一个靶点完成，尚未披露在更多靶点和体内模型中的验证结果，待核实。
• 未来是否开源模型、数据及训练代码，材料未明确说明，待核实。

可用于图书/PPT/简报的角度

• AI+药物研发破壁：展示如何用AI将“基因扰动”的低成本数据转化为“化合物-细胞响应”的高价值预测，降低新药研发早期试错成本。
• 因果表征在生命科学中的应用：解释“统一因果空间”如何让AI像生物学家一样理解基因、化合物与细胞状态之间的内在因果链。
• 中国AI团队的顶刊突破：从腾讯Lab与中南大学合作切入，讲述本土团队在AI基础科学领域的国际竞争力。

原始材料

• 来源URL：https://m.sohu.com/a/1055942829_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=7
• 父级摘要：腾讯研究院AI速递 20260729
• 原始标题：AI虚拟试药登上《Cell》主刊，搭建统一生物表征空间
• 英文标题：UniPert-G2CP: AI Virtual Drug Testing on Cell
• 英文关键词：AI virtual drug testing, UniPert-G2CP, Cell, genome-chemical perturbation, causal representation, virtual cell, AI agent for life science