西湖大学发布 ProteinTalks：3800 万条蛋白数据训练出"虚拟细胞"，给三阴性乳腺癌挑对药
🧬 西湖大学发布 ProteinTalks：3800 万条蛋白数据训练出"虚拟细胞"，给三阴性乳腺癌挑对药
不测基因活性，直接读蛋白质的动态变化——88% 准确率预测药效，501 人临床数据验证
"虚拟细胞"是近年计算生物学的热门方向：在计算机里造一个细胞的数字模型，先在模型里试药，再决定要不要上真实验。9 月 9 日，这个方向迈出了关键一步——西湖大学郭天南团队在 Nature 发表论文，发布了名为 ProteinTalks 的虚拟细胞模型，用蛋白质组学数据训练，能预测三阴性乳腺癌（TNBC）细胞对各种药物的反应。Nature 官方新闻版、Medical Xpress、韩国 Kormedi 等多家媒体在随后几天相继报道。本文基于多家媒体转述整理。
- 3,800 万+ 训练数据：18 株乳腺癌细胞系 × 63 种 FDA 已批准抗癌药 + 59 种药物组合，4 个时间点的蛋白丰度测量
- 88% 准确率：预测 81 种未进训练集药物作用下癌细胞的响应
- 501 人临床验证：在三阴性乳腺癌患者化疗前活检样本上，准确预测实际治疗结局
- 路线差异：多数虚拟细胞模型用单细胞测序数据（静态快照），ProteinTalks 用蛋白质动态时序数据
📌 3 分钟看懂：ProteinTalks 是什么
一句话：ProteinTalks 是一个学会了"药物打进去之后，细胞里的蛋白如何随时间变化"的 AI 模型，用它来反推哪种药对某个病人的肿瘤最有效。
为什么盯上蛋白质而不是基因？因为药物真正起作用的地方是蛋白——药进去之后蛋白丰度怎么变、哪些通路被压制，才是疗效的直接体现。此前大多数虚拟细胞模型基于单细胞测序数据，学到的是细胞状态的"静态快照"；ProteinTalks 抓的是"药物刺激后 0、6、24、48 小时"的动态过程。Arc Institute 的系统生物学家 Hani Goodarzi 评价说，这种多时间点设计至关重要——"如果你没有时间序列，你手里就只是一堆静态照片"。
🔬 为什么选三阴性乳腺癌
三阴性乳腺癌是乳腺癌里最"难缠"的一类：肿瘤细胞缺少雌激素受体、孕激素受体，也没有 HER2 蛋白——这意味着内分泌治疗和常见的靶向药都无的放矢，只能靠化疗。它约占乳腺癌病例的 15–20%，且不同患者肿瘤在分子层面差异很大，同样方案的疗效可能天差地别。这正是"挑对药"价值最大的场景。
⚙️ 技术拆解：数据怎么造的
大规模扰动蛋白质组学
研究团队用 63 种 FDA 已批准的抗癌药物和 59 种药物组合，系统处理 18 株乳腺癌细胞系（其中 16 株为三阴性），在给药前和给药后 6、24、48 小时四个时间点，测量每株细胞里 5,585 个蛋白质组的丰度变化，累计生成超过 3,800 万条时序蛋白测量数据。
模型从中学习"药物 → 蛋白动态响应"的映射关系，进而完成三件事：预测细胞对药物的响应、发现新的药物组合、定位耐药相关蛋白。
📈 性能表现
泛化预测
对 81 种未进入训练集的药物，预测细胞响应准确率 88%
临床验证
分析 501 名 TNBC 患者化疗前的肿瘤活检（3,651 种蛋白），模型准确预测了他们实际接受的治疗的临床结局
横向对比
在预测癌细胞药物响应上，优于基于基因活性的 AI 模型和传统机器学习方法
论文通讯作者、西湖大学蛋白质组学专家郭天南对 Nature 表示，这是"虚拟细胞模型第一次走出实验室、在临床场景中被检验"。他同时强调，这个模型的目标"非常聚焦"——服务 TNBC 的药物发现，而不是全面模拟细胞行为。
📋 静态快照 vs 动态时序：两条虚拟细胞路线的差别
| 维度 | 单细胞测序路线（多数现有模型） | ProteinTalks（蛋白质组学路线） |
|---|---|---|
| 数据类型 | 单细胞 RNA 测序（细胞状态快照） | 药物扰动后的蛋白丰度时序数据 |
| 捕捉的信息 | 静态细胞状态 | 药物作用下的动态变化过程 |
| 与药物效应的关系 | 间接（基因活性是上游代理指标） | 直接（蛋白是药物的直接作用对象） |
| 临床落地 | 多处于实验室阶段 | 已在 501 人活检数据上验证治疗结局预测 |
🔭 这个发布在更大图景里的位置
过去两年，"虚拟细胞"从概念走向工程化：先有基于单细胞数据的状态模型，再有对标通用细胞模拟的大模型尝试。ProteinTalks 的意义在于证明了第三条路线的可行性——用大规模、多时间点的扰动蛋白质组学数据，训出一个能通过临床数据检验的"操作型"模型。它不做全面细胞模拟，只回答一个非常值钱的问题："这个药，对这个病人的癌细胞，管不管用？"
对关注 AI+生命科学的读者来说，这条新闻的信号是：虚拟细胞竞赛正在从"谁的模型更大"转向"谁的模型能过临床验证"。数据模态（蛋白动态 vs 基因静态）的差异化选择，可能比模型规模更能决定胜负。
- Nature 论文：An operational perturbation proteomics-based virtual cell model（ProteinTalks）
- Nature 新闻版：AI model predicts which breast-cancer drugs work best
- Nature 每日简报：ProteinTalks 原型工具报道
- Medical Xpress：AI virtual cell uses protein dynamics to predict personalized breast cancer treatments
- Kormedi（韩）：AI '가상세포', 유방암 환자 501명 치료 결과 예측
- NEWSru.co.il：ИИ создал "виртуальную клетку" для подбора лекарств
本文由加装AI助手整理发布 | 基于多家媒体转述整理 | 数据来源：Nature / Medical Xpress / Kormedi / NEWSru