《Nature Communications》：Illuminating cell states by a comprehensive and interpretable single cell foundation model
编辑推荐：
单细胞测序技术的进步催生了具有强大数据表征能力的人工智能基础模型，但其实际应用受限于现实世界数据的稀疏性、异质性和可解释性差。为此，研究人员提出了CellVQ模型。该研究通过整合涵盖6800万个细胞的大规模单细胞数据集，构建了参数量达5亿的模型，并设计了具有挑战性的预训练任务以增强通用性。其中，创新的单细胞离散化模块能有效表征细胞嵌入，解决数据异质性问题，并通过生成“细胞代码”提升可解释性。此外，研究人员还开发了即插即用工具CellVQ-Graph，用于构建知识图谱。经广泛评估，CellVQ在所有下游任务中均超越基线模型，并揭示了有趣的生物学现象。该研究致力于为细胞生物学界提供一个真正适用且通用的AI工具。
随着单细胞测序技术的迅猛发展，科学家们得以以前所未有的分辨率窥探生命的基本单元——细胞的内部世界。海量的单细胞数据为人工智能（AI）提供了绝佳的“练兵场”，催生出了一系列旨在从复杂数据中学习通用表征的单细胞基础模型。这些模型就像是为生物学数据量身定做的“通才”，经过海量数据训练后，有望在各种后续分析任务中表现出色。然而，理想很丰满，现实却很骨感。当这些雄心勃勃的模型从“训练场”走向“真实世界”的应用时，却常常面临“水土不服”的窘境。现实世界的单细胞数据往往具有令人头疼的稀疏性（每个细胞检测到的基因信息有限）和高度异质性（不同来源、不同状态的细胞差异巨大），使得模型难以稳健地学习和泛化。更关键的是，许多先进的AI模型如同一个“黑箱”，即使预测结果准确，科学家们也难以理解其内部决策逻辑，这严重阻碍了其在需要严谨因果解释的生物医学发现中的应用。如何构建一个既能强大表征、又能广泛适用，还能让人类看懂的的单细胞AI模型，成为了领域内一个亟待突破的瓶颈。
为了攻克这些挑战，一项发表于《Nature Communications》的研究带来了一个令人瞩目的解决方案：CellVQ。这项研究的目标非常明确，即打造一个真正适用于细胞生物学界、兼具强大通用性与深刻可解释性的单细胞基础模型。为了回答“如何让模型在稀疏、异质的真实数据中依然表现优异”以及“如何让模型的决策过程变得透明、可解释”这两个核心问题，研究团队展开了一项规模浩大且设计精巧的工程。
研究人员为CellVQ的“成长”奠定了坚实的数据与算法基础。他们构建了一个超大规模的单细胞数据集作为“训练粮草”，其规模达到了惊人的6800万个细胞，为模型学习复杂的细胞状态提供了丰富的素材。在此基础上，他们设计了一个参数量高达5亿的模型架构，并精心策划了具有挑战性的预训练任务，旨在迫使模型学习到细胞本质的、通用的特征表示，从而提升其面对新数据、新任务时的泛化能力。模型的核心创新在于其引入的“单细胞离散化”模块。这个模块如同一位高效的语言学家，将高维、稀疏、连续的细胞特征向量，转化（或“离散化”）为一串紧凑的、符号化的“细胞代码”。这一过程不仅有效地缓解了数据异质性带来的分布对齐难题，更重要的是，这些“细胞代码”为人类理解模型内部表征提供了直观的桥梁，极大地增强了模型的可解释性。此外，研究团队还开发了一个名为CellVQ-Graph的即插即用工具。这个工具能够将CellVQ模型学习到的细胞特征，与多模态的生物数据（如基因、细胞间通讯信息、细胞注释等）相结合，自动构建出结构化的知识图谱，从而将模型的表征能力转化为可用于假设驱动的生物发现的强大引擎。
经过一系列严格而全面的评估，CellVQ的研究结果充分证明了其设计的成功。在多个下游任务的标准评测中，CellVQ均显著超越了其他先进的基线模型，展示了其卓越的通用表征能力。这回答了模型效能的问题，表明其设计的预训练策略和架构能够有效捕捉细胞状态的本质信息。进一步地，研究人员利用CellVQ模型及其“细胞代码”展开探索性分析，成功地复现并深入阐释了一些已知的生物学过程。例如，在分析中，模型清晰地揭示了与特定生物通路（如Hippo信号通路）活性变化相关的“细胞代码”模式，并通过代码的演变追踪了细胞状态转变的动态轨迹。更有趣的是，模型甚至发现了一些未被充分报道的、具有潜在生物学意义的新细胞状态或基因表达模式关联，为后续的实验验证提供了新的线索。这些发现强有力地回答了关于模型可解释性与生物发现潜力的问题。它表明CellVQ不仅是一个高性能的预测工具，其生成的“细胞代码”确实能够对应到有明确生物学意义的细胞特征，使得研究人员能够“读懂”模型从数据中学到了什么，从而引导出新的科学假设。
综合其研究设计与结果，本项研究的结论清晰而有力。研究人员成功开发了CellVQ，这是一个旨在解决当前单细胞AI模型在现实应用中面临的关键瓶颈——即数据异质性、稀疏性挑战与“黑箱”可解释性难题——的新型基础模型。通过整合超大规模数据集、设计针对性的预训练任务以及引入革命性的单细胞离散化模块，CellVQ实现了卓越的下游任务性能与前所未有的模型透明度。其生成的“细胞代码”为高维单细胞数据提供了可解释的符号化表示，而CellVQ-Graph工具则进一步将这种表征能力与多模态生物知识连接起来，构建了用于发现的图谱。这项工作的意义远不止于提出了一个性能更优的模型。它代表了一种重要的范式转变，即推动单细胞AI从纯粹追求预测准确性的“黑箱”，向为生物学家提供可理解、可交互、可直接用于驱动假说的“玻璃箱”或“发现引擎”演进。CellVQ架起了一座连接强大但晦涩的深度学习表征与人类可理解的生物学知识之间的桥梁。正如论文所展示的，这种可解释性不仅能验证模型所学是否合乎生物学常识，更能主动揭示新的、有趣的生物学现象，真正赋能科学的探索与发现。因此，CellVQ有望成为一个在细胞生物学和生物医学研究中具有广泛应用前景的、真正实用的AI工具，为从大数据中提取生物学洞见开辟了新的途径。
