Science!AI+单细胞定义药物发现新范式!一直对AI+单细胞药物发现感兴趣。近年来AI在药物发现中的应用不断涌现,但多数研究仍停留在流程某一环的局部优化,很难真正改变筛药效率。Science近期发表的Cellarity工作则完全不同,它展示了一套能够贯通“单细胞数据建模—AI预测—实验验证—模型更新”的闭环体系,从方法论层面为药物发现提供了新的路线图。研究的核心不在于提出一个更强的模型,而在于通过系统设计,让AI、单细胞和实验真正协同工作。作者首先基于多供体、时间序列的单细胞数据精确定义“细胞命运的方向”,再利用百万级扰动数据训练具备跨细胞类型泛化能力的预测模型,随后通过大规模湿实验验证这一框架的有效性(命中率比随机筛选提升13–17倍),并进一步使用实验获得的真实表达变化反哺模型,使下一轮筛选效果再次提升。这条“定义状态→预测→验证→更新”的循环,让药物筛选第一次具备了持续增强的能力。这项工作能够发表在Science,关键在于它重构了药物发现的基本范式:从“找靶点”转向“推动细胞沿特定状态前进”,从依赖海量HTS转向以AI为导航的目标筛选,从静态预测模型转向能够随着实验不断进化的系统化框架。对生信与AI研究者而言,它强调单细胞数据真正的价值在于抽象出可驱动、可优化、可验证的状态信号;对实验和药物研发人员而言,它提供了一条可复制的技术路线,通过少量关键实验补齐AI最缺的信息,再由AI提升实验效率,实现计算与实验的循环放大。这项研究的意义在于用清晰的系统架构和严谨的验证证明:当AI、生物学与实验被整合为一个动态增强的体系时,药物发现的效率可以被实质性提升。未来的生物医药研究,或许正需要从这种“模型—实验闭环”开始重新设计。学术论文 生信分析 sci核心期刊 核心期刊





