跳到正文
深势科技· 坚持创新的·· 13 天前AI 评分60

深势科技与合作团队在Nature发表ProteinTalks虚拟细胞模型

登陆Nature正刊后,深势联合伙伴开发的ProteinTalks正快速服务基础研究和药效预测落地

AI 导读

深势科技与合作团队在Nature发表论文,提出虚拟细胞模型ProteinTalks,用于药物扰动响应预测。模型以超过3800万项蛋白质丰度测量构建时序扰动数据集,覆盖用药前及给药后6、24和48小时,并在单药筛选、联用和耐药机制研究中获得实验支持。深势现面向药企、生物技术公司及医疗机构推进应用合作,BioMaster提供无需自备数据的流程演示。

正文

从数千种化合物中挑出值得验证的药物,把筛出的药物放到患者来源的肿瘤类器官里,再用实验检验预测——虚拟细胞已经开始参与药物研发的真实决策。

2026年9月9日,深势科技与合作团队的研究发表于《Nature》,提出虚拟细胞模型ProteinTalks。这项研究在方法上取得新突破,将大规模动态蛋白质组与连续动力学建模结合,并已获得单药筛选、药物联用和耐药相关机制研究的实验支持

。

深势团队参与了AI建模与分析、模型对比评测和药物分子筛选。基于已验证的方法与应用案例,深势现面向药企、生物技术公司及医疗机构推进应用合作,将这套能力用于具体疾病模型、研发管线和转化研究。

想亲手试试 ProteinTalks?

打开BioMaster,复制并发送以下指令,即可体验:

https://www.bohrium.com/agent/biomaster

“请用proteintalks跑一个药物扰动响应预测,你可以用生成的虚拟数据集来运行”

(此次体验无需自行准备数据,生成的虚拟数据集仅用于流程演示。)

从静态转录组快照

走向动态蛋白质组

许多现有虚拟细胞基础模型主要从转录组的静态快照学习细胞状态。ProteinTalks 把观察和建模推进到药物干预后的蛋白质动态变化:蛋白质是细胞功能的主要执行者,时间维度则揭示细胞怎样响应药物,为药效判断提供更直接的功能信息。

研究团队以超过3800万项蛋白质丰度测量构建时序扰动数据集,覆盖用药前及给药后6、24和48小时。ProteinTalks 将神经常微分方程(Neural ODE)用于预训练,从基线蛋白质组和药物扰动信息出发,同时学习细胞状态及其随时间的演变,再将预测轨迹与药物分子特征结合,用于单药响应和两药协同预测。蛋白质组重建与药物响应预测联合优化,使动态建模直接服务于研发任务。

三类研发任务

已有实验验证

1. 单药筛选:确定哪些药物分子值得优先验证

研究团队以3位三阴性乳腺癌患者来源类器官的基线蛋白质组为起点,结合模型推荐、结构相似性扩展和再次评分,在约3000种化合物的参考库中筛选值得实验验证的药物分子,HDAC6抑制剂 CAY10603 进入验证名单。在P865类器官实验中,CAY10603 的半数抑制浓度(IC₅₀)为23.1 nM,低于顺铂对照的1.43 μM。

图1. 筛出的药物在患者来源类器官中获得实验支持。CAY10603与顺铂在P865模型中的剂量响应曲线;每个浓度3个生物学重复。来源:文献[1] Fig. 5i。

这一结果表明,CAY10603在该体外模型中以更低浓度达到半数抑制,支持用模型筛选结果安排药物分子的验证优先级,帮助团队把实验资源集中到值得进一步研究的药物上。

2. 药物联用:为组合验证确定优先方向

模型对实验判定为协同的药物组合给出了更高的预测评分,显示评分能够为联用方案的筛选提供参考(图2)。

图2. 联用预测评分与实验协同分类相对应。实验协同组包含14个“药物组合—细胞系”条件,非协同组包含384个条件;纵轴为模型预测评分,组间差异P=1.797×10⁻⁴。来源:文献[1] Fig. 3e。

在进一步的药敏实验中,研究团队选择4组预测排名靠前的“药物组合—细胞系”方案,包括 bosutinib 与 tucatinib、bosutinib 与 abemaciclib 两种配对。4组的协同指标ΔEmax为0.28–0.74,均超过预设的0.2阈值。这些结果支持药企围绕已有药物分子和研发管线,优先验证更可能产生协同作用的联用方案。

3. 机制研究:从蛋白线索寻找耐药干预方向

模型解释分析提示 AKR1C3 与抗有丝分裂药物的响应有关。研究团队在BT20乳腺癌细胞中降低该蛋白表达后,发现细胞对多西他赛更敏感,达到半数抑制所需的药物浓度降低。

图3. 耐药相关蛋白线索的实验验证。降低AKR1C3表达后,多西他赛的ln[IC₅₀]由1.76降至−2.48,差值为4.24;每个浓度3个生物学重复。来源:文献[1] Fig. 4d。

这项干预实验把模型发现的蛋白线索推进为可检验的机制假设,支持研发团队研究耐药原因,并探索增强药物作用的干预方向。

面向药企与医疗机构

的合作体系

围绕模型适配、细胞表征与组学分析等研发需求,相关伙伴正与深势推进合作,探索将虚拟细胞及相关组学能力用于自身研究场景。北京某三甲综合医院也带着临床影像数据的研究需求与深势展开对接,希望进一步结合组学、病历与用药信息,探索细胞响应与疾病表现之间的关联,为治疗反应研究提供支持。

从这些具体需求出发,深势希望进一步连接虚拟细胞、机制分析、分子设计与实验验证,让细胞响应预测参与药物研发中的方案选择与优化。

在这一研发路径中,药物干预响应预测与组学分析相结合,可辅助研究团队提出靶点和通路假设,形成药物设计与联用思路;结合分子设计及结构优化,再通过虚拟细胞评估候选分子的细胞响应,为实验方案选择提供依据。随着实验流程的衔接,活性、联用效果与机制验证结果有望持续用于修正假设、优化分子和更新模型,形成预测、设计、验证与再设计的研发闭环。领域专家负责其中的问题定义、结果解释与研发决策。

科学模型、训练与推理算力及数据平台,是支撑这一路径的基础。深势希望通过平台组织和调用相关能力,让数据、方法与实验结果持续积累、复用,支持研发团队围绕具体疾病与管线开展多轮研究。

对药企而言,这一路径有望为早期药物发现中的分子筛选、联用探索和机制研究提供支持,帮助确定更值得投入实验的方向;对医疗机构而言,则可服务于患者分层、潜在获益人群识别及个体化治疗研究,拓展虚拟细胞的转化应用价值。

深势科技

欢迎药企、生物技术公司与医疗机构交流合作,共同推进虚拟细胞在药物研发与转化研究中的应用探

索。

论文信息

本研究由深势科技与北京科学智能研究院(AISI)、西湖大学、西湖实验室、北京大学、哈尔滨医科大学等单位合作完成。深势科技研究人员李永歌为论文共同第一作者之一。

[1] Sun R, Qian L, Li Y, et al. An operational perturbation proteomics-based virtual cell model. Nature 658, 1066–1076 (2026).

论文链接:https://doi.org/10.1038/s41586-026-11001-9

关于深势科技

深势科技是全球 AI for Science 的开拓者和引领者,公司成立于2018年,在北京、上海、深圳、宜宾等地设有办公室和研发中心。以“加速科学发现,释放科学价值”为使命,致力于打造 AI 科学家(AI Scientist)及自主进行科学发现的智能系统。

以深势·宇知®科学发现智能引擎为基座,深势构建了一系列“读文献、做计算、做实验”的智能科学工具,和各领域的科学智能体,构成了 Science as a Service 智能化科研产品和服务矩阵:玻尔·科学导航,玻尔·勒贝格智算以及 Hermite

®

、Piloteye

®

等一系列研发软件,玻尔·跃迁实验室,SciMaster 科学智能体及面向科学发现的“大装置”和研发服务,为基础科研、生命科学、物质科学等领域的科学家和研发型组织提供深宽兼顾、灵活组合的解决方案。

作为国家高新技术企业、国家专精特新“小巨人”企业,深势科技科研技术团队由中国科学院院士领衔,汇集了超百位数学、物理、化学、生物、材料、计算机等多个领域的优秀青年科学家和工程师,其中博士及博士后在公司成员中占比超过35%。2020年,深势科技核心成员获得全球高性能计算领域的最高奖项“戈登贝尔奖”,相关工作入选2020年中国十大科技进展和全球 AI 领域十大技术突破。

来源:深势科技 · mp.weixin.qq.com