UniPert-G2CP扰动建模框架

跨模态扰动预测

首个将遗传与化学扰动统一在同一表征空间、并实现跨模态表型迁移学习的深度学习框架，为AI虚拟细胞提供通用因果建模底座。

李一鸣 · 曾敏 · 朱军 · Fang, Wang · Huang, Longkai · Yang, Fan · 李敏 · Yao, Jianhua

Cell 2026

技术优势

跨模态迁移

通过统一的分子扰动表征，实现遗传到化学扰动表型的迁移学习，使化学筛选的预测不再完全依赖昂贵的实验数据。

多域通用

在多种细胞类型和扰动领域上展现出泛化能力，适用于大规模异构筛选数据。

揭示异质性

联合分析扰动因果空间能够揭示药物反应背后的细胞异质性，为理解药物作用和耐药机制提供线索。

应用场景

• AI虚拟细胞：为虚拟细胞提供统一的因果建模底座，加速其实现。
• 药物反应预测：预测药物在不同细胞环境中的表型效应，助力药物反应预测。
• 精准医疗AI：通过揭示药物反应异质性，支持个体化精准医疗。
• 高通量筛选分析：提升遗传与化学筛选数据的建模效率，加速高通量分析。
• 系统生物学建模：统一多模态扰动表征，推动系统级生物因果建模。