AI开始读单细胞里的蛋白质了。11月13日，清华大学自动化系江瑞课题组发布面向单细胞蛋白组的基础模型ProtCell。这是一款为单细胞蛋白组学打造的基础模型，研究的尺度精确到单个细胞：每个细胞里的蛋白质在做什么、彼此之间有什么关系，模型要从海量数据里学出来。

规模是这款模型最先被提到的数字：约3.8亿个细胞、98个公开数据集，用于预训练与评估。3.8亿个细胞是什么概念？相当于把极其庞大的单细胞样本汇集在一起，让模型在预训练阶段见过足够多的“例子”。98个公开数据集则保证了来源的多样性，不同实验、不同条件、不同类型的数据都参与进来，模型学到的规律才不容易只适用于某一种情况。

单细胞蛋白组学本身是一个很新的方向。过去研究蛋白质，更多是在组织或细胞群体的层面做平均，一个样本里的信号是很多细胞混在一起的结果。单细胞的尺度把分辨率提到了单个细胞：同一个组织里，不同细胞的蛋白质状态可能完全不同，这些差异往往藏着疾病与健康的线索。基础模型的做法，是先在大规模数据上预训练，学出通用的表示，再迁移到具体的任务上，比如细胞类型识别、状态预测。

对AI来说，生命科学是正在进入的深水区。语言、图像、代码之后，蛋白质、细胞、基因这些科学数据，成了基础模型的下一个试验场。ProtCell的意义不只在于一个模型本身，而在于它验证了一条路：把基础模型的办法用到单细胞蛋白组学上，是走得通的。3.8亿个细胞是底座，98个数据集是广度，接下来要看的是它在具体科研任务里的表现：能不能帮研究者发现新的细胞状态，能不能加速药物靶点的寻找。模型已经发布，实验室里的验证才刚刚开始。

单细胞蛋白组学这个方向本身也值得展开说说。人体由约37万亿个细胞组成，不同细胞里的蛋白质种类与数量各不相同，这些差异决定了细胞的功能与状态。过去研究蛋白质，更多是在组织层面做平均，单个细胞的差异被平均掉了。单细胞技术把分辨率提到了单个细胞，研究者第一次能看到每个细胞各自的蛋白质图谱。这对疾病研究尤其重要：肿瘤组织里，少数几个异常细胞可能就是病灶的起点，群体平均会把它们的信号淹没，单细胞分析才能把它们找出来。

基础模型进入科学领域，正在成为一种趋势。语言模型之后，蛋白质结构预测、基因序列分析、单细胞组学都在借用同样的办法：大规模预训练，再迁移到具体任务。ProtCell汇集3.8亿个细胞做预训练，正是这条路线的延续。它的下一步，是在具体的科研任务里证明自己：细胞类型识别得准不准，新的细胞状态找不找得到，药物研发能不能因此快一点。清华课题组把模型发布出来，是起点而不是终点，科学界的检验才刚刚开始。

98个公开数据集这个数字，同样值得多看一眼。数据集越多、来源越多样，模型学到的规律就越不容易只适用于某一种实验条件。不同实验室、不同技术、不同样本类型的数据混在一起，模型必须抓住共性的规律，而不是记住某个数据集的特例。这对基础模型来说是好事：多样性本身就是一种正则化，让模型更稳健。当然，数据越多，清洗与对齐的工作量也越大，98个数据集的整合本身就是一项不小的工程。ProtCell把这一步做完了，接下来就看它在科研任务里的实际表现。

来源：财联社

相关阅读：《Qwen4-Max预览版上线，1M上下文主打复杂任务》

相关阅读：《联想发布万全混合词元工厂，加速企业AI价值兑现》