mylogs.cn

清华ProtCell发布：3.8亿细胞训练的生命科学大模型

2026 年 11 月 14 日

发布于

清华大学自动化系江瑞课题组发布了面向单细胞蛋白组的基础模型 ProtCell，并完成了论文《ProtCell: a foundation model for single-cell proteomics》。该模型汇集约 3.8 亿个细胞、98 个公开数据集用于预训练与评估，能够精准映射细胞状态、推断未测蛋白表达，为药物研发与前沿「虚拟细胞」构建提供关键底座支撑。

国产算力复现：关键指标差异仅约 0.2%

论文披露，团队在摩尔线程旗舰级 AI 训推一体智算卡 MTT S5000 上，成功完成了 ProtCell 的全流程预训练复现，主要定量评测指标与国际主流 GPU 平台的差异仅约 0.2%，验证了摩尔线程全功能 GPU（Universal GPU）与 MUSA 全栈软件生态对前沿生命科学基础模型的承载力。

「虚拟细胞」旨在用 AI 在计算机中构建细胞的运行模型，描述细胞当前状态，并精准预测细胞在受到药物、基因编辑等干预后的动态变化，已成为全球 AI4S 竞争的核心战略高地。中国《国务院关于深入实施「人工智能+」行动的意见》将「人工智能+」科学技术列为重点行动首位，而虚拟细胞研发所依赖的基因组、蛋白组等核心数据高度涉及国家生物遗传资源安全，构建自主可控的先进算力基座至关重要。

技术路径：共享词表与掩码丰度建模

ProtCell 以共享词表编码跨实验一致的蛋白身份，结合多层感知机（MLP）编码连续丰度，一并送入 Transformer 编码器以消除技术批次效应；在训练阶段随机遮蔽部分已测蛋白，仅凭同细胞内其余蛋白的测量值推断目标丰度，从而自监督学习细胞内部的蛋白协同网络。

同一模型不仅能完成细胞注释与批次整合，还具备推断面板之外未测蛋白、乃至反哺指导新实验设计的闭环能力。

关键性能数据

评测项	ProtCell	对比方法
批次内准确率 / macro F1	约 0.98	—
跨批次迁移准确率	0.971–0.974	—
掩码蛋白重建 Pearson	0.586	CytoVI 0.484
79 靶标逐一遮蔽胜出数	67 个	—
未选蛋白重建 Spearman	0.616–0.630	—
AML 克隆判别中位 AUROC	0.809	QR 0.478 / CytoVI 0.475

在 Kotliarov2020 数据集上，骨干冻结、仅训练分类头时，批次内准确率与 macro F1 均达约 0.98，跨批次迁移准确率保持在 0.971 到 0.974。掩码蛋白重建中，蛋白级平均 Pearson 相关系数为 0.586，优于对比方法 CytoVI 的 0.484；在全部 79 个靶标逐一遮蔽的测试中，ProtCell 在 67 个靶标上表现显著胜出。