迈向「虚拟细胞」：中国团队提出 MAP 知识驱动框架，破解未知药物单细胞响应预测难题

近日，国际顶级期刊《Nature Machine Intelligence》发表了一项由上海交通大学人工智能学院与哈佛大学团队共同完成的研究成果——《MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs》。观壹智能（OneX-Intelligence）核心技术团队深度参与了该技术框架的设计与产业化落地探索。

该研究面向「虚拟细胞（Virtual Cell）」这一 AI 驱动的生命科学前沿方向，提出了知识驱动的全新框架 MAP，可对未经湿实验表征的全新药物实现单细胞扰动响应的零样本预测，为高通量虚拟筛药、药物机制解析筑牢了关键技术底座。

从「记忆已知」到「推演未知」：机制驱动的技术路线

长期以来，构建虚拟细胞——即在计算机中模拟细胞在药物干预下全转录组层面的真实生物应答——被视作颠覆传统药物研发范式的关键路径。但行业始终面临一个核心瓶颈：人类潜在化学分子空间规模高达 10⁶⁰级别，而湿实验能够完成表征的药物仅有千百个量级。过去绝大多数单细胞扰动预测模型将药物作为离散 ID 进行学习，只能复现已完成实验的已知药物，本质上更接近高级数据库，无法对从未观测过的新药做出有效推演。

针对这一痛点，MAP 摒弃了传统依托「离散类别 ID」的分类方法，走上机制驱动的技术路线：即便新药没有细胞扰动实验数据，但分子结构、靶点信息、生物学作用机制文本等先验知识可以被充分利用。MAP 通过多模态知识图谱与对比对齐预训练，让模型学习药物背后的生物学作用机理，而非单纯记忆训练集内的药物－细胞配对，从而实现举一反三的零样本泛化能力。

整套框架包含三大核心创新：一是构建面向细胞扰动建模的大规模机制导向知识图谱 MAP-KG，整合 14 个公开生物数据库，覆盖 18.7 万种药物、2.2 万条基因实体，共计 69.4 万条药物－基因作用机制关系；二是设计多模态对齐预训练方法，将分子结构、蛋白序列、机制文本映射至统一嵌入空间，以文本语义为桥梁打通化学与生物语义鸿沟；三是知识条件化单细胞扰动预测架构，将知识增强的药物、基因表征作为条件输入单细胞基础模型，直接输出药物扰动后完整的基因表达变化，完成从「细胞状态+药物 ID」到「细胞状态+药物机制知识」的范式跃迁。

严苛验证：零样本预测能力获实证

研究团队设置了两组严苛的零样本评测任务验证 MAP 的泛化性能。在未见细胞－药物组合任务（模拟药物重定位场景）中，MAP 在 Tahoe-100M 大规模数据集上，相较当前最优基线 CRISP，Top-50 DEG Pearson delta correlation 提升 13.3%，同时更好还原基因上调、下调调控方向。

在更为严苛的未表征药物零样本预测中——测试集药物全部从训练与图谱节点中移除，模型仅依靠药物分子结构完成盲预测——MAP 相较基线，Top-50 差异基因预测相关性提升 12.2%，基因调控方向预测准确率提升 21.0%，证明无需转录组实验数据，仅依靠分子与机制先验即可精准推断药物带来的细胞效应。

在面向 A549 非小细胞肺癌细胞的 58 个候选分子虚拟筛选实测中，MAP 预测榜单前 15 位命中 5 款获批抗癌药物中的 4 款；GSEA 通路富集分析进一步证实，模型输出的表达变化具备高度生物学通路一致性，充分验证了 MAP 作为高通量虚拟筛药引擎的实用潜力，有望大幅压缩前期湿实验成本，缩短新药发现周期。

从疾病理解到干预预测，拓展生命 AI 应用边界

值得关注的是，MAP 并非面向单一疾病或单一药物研发任务的专用模型，而是观壹智能构建生物智能基础模型（Biological AI Foundation Model）的重要技术组成。该框架将公司的能力从疾病知识理解与临床推理，进一步拓展至细胞状态建模、干预响应预测和 AI 药物研发，为生命科学研究提供更加通用的智能底座。

此前，观壹智能核心技术团队参与研发了发表于《Nature》的罕见病智能诊断系统 DeepRare，目前已拥有超过 5000 名活跃用户。DeepRare 主要从患者表型、遗传信息和医学知识出发，辅助疾病识别与循证推理；MAP 则从分子结构、生物机制与细胞状态出发，预测药物干预可能引起的基因表达变化。二者并非简单的产品串联，而是分别代表观壹智能在「理解疾病」与「预测干预」两个方向上的技术探索。

这一布局也与国际生命 AI 的发展趋势形成呼应。2026 年 7 月，美国人工智能公司 Anthropic 将罕见遗传病列为其 AI for Science 计划的重点主题方向，支持疾病基础机制研究和早期药物开发。罕见病患者群体分散、数据有限、知识高度碎片化，同时涉及复杂的基因、表型和疾病机制，对 AI 的多模态知识整合、机制推理与跨疾病迁移能力提出了很高要求。因此，罕见病正成为国际前沿 AI 公司检验模型科学能力的重要场景，也为 AI 发现跨疾病共性机制、潜在治疗靶点及药物重定位机会提供了独特价值。

MAP 所具备的零样本泛化能力，使其能够在缺少特定化合物扰动实验数据的情况下，利用分子结构与生物机制知识预测细胞响应。这一能力不仅可服务于创新药研发中的机制解析、药物重定位和候选分子筛选，也有望拓展至罕见病、精准医疗、药物安全评价、合成生物学及细胞工程等领域。罕见病可以成为检验模型知识迁移与机制推理能力的重要应用场景，但并非 MAP 的能力边界。

上海交通大学人工智能学院副教授、观壹智能 CEO 谢伟迪表示：「MAP 带给我们的重要启示，不只是预测指标的提升。研究结果显示，在数据规模和模型参数之外，生物知识的质量与规模也可能成为推动模型能力增长的重要因素。虚拟细胞的目标不应只是拟合已有实验，而应理解干预背后的生物机制，并预测从未观测过的细胞响应。MAP 是我们构建生物智能世界模型的一项关键技术进展。」

业内人士指出，MAP 验证了一条有别于单纯扩大数据规模的生命 AI 发展路径：通过引入结构化生物知识和作用机制约束，提升模型面对未知对象和未知干预时的泛化能力。随着该技术框架不断完善，其应用有望从早期药物发现延伸至更广泛的生命科学研究，推动行业从「实验先行、事后分析」，逐步走向「AI 提出预测、实验完成验证」的新型研发范式。

来源：互联网