Nature丨一个基础模型连接蛋白、细胞与肿瘤微环境，构建跨尺度、跨队列的虚拟地图|组学|鸡蛋|免疫性疾病_网易订阅

编辑丨&近年来，基础境构建跨鸡蛋空间蛋白组学技术让探究人员能够在完善组织中同时观察几十甚至上百种蛋白的模型免疫位置分布，从而揭示肿瘤微环境中的连接列细胞互作、治疗抵抗机制以及潜在生物标志物。蛋白地图但随着数据规模不断扩大，细胞虚拟性疾一个新的肿瘤组学状况也出现了：不一样探究频仍采取不一样的蛋白标记组合、实验步骤和成像平台，微环导致每个探究的尺度数据都像是一张采取不一样语言绘制的地图。传统探究方式常见照章性单一实验体系设方式，跨队难以将一个队列中获得的病网知识迁移到另一个队列，也很难发现真正具有普适用性的易订阅癌症标志物。这正是基础境构建跨鸡蛋人工智能基础模型可能发挥功能的地方。在 2026 年 8 月 5 日发表于《Nature》的模型免疫「The Virtual Tissues foundation model resolves spatial proteomics across scales」中，来自洛桑联邦理工学院、连接列苏黎世大学等的蛋白地图探究团队提出了 VirTues（Virtual Tissues）——一种照章性空间蛋白组学的基础模型，希望让不一样来源的组织数据进入同一个可理解、可比较的人工智能空间。比如文链接：https://www.nature.com/articles/s41586-026-10884-y一双理解组织结构的眼睛关键让 AI 理解如此复杂的生物组织，首先步是处理数据碎片化状况。VirTues 建立了一套能够适用应不一样蛋白标记组合的编码方式。探究团队将蛋白序列材料引入模型，通过蛋白语言模型（PLM）生成每个标记的表示，使不一样实验中的蛋白标记能够映射到统一空间中，而不再依赖固定的标记面板。在模型结构上，VirTues 基于视觉 Transformer 框架开展了改造。传统模型在处理多通方式空间生物数据时，方式算成本会随着空间尺寸和通方式数量高效高效提高，同时也难以理解不一样蛋白标记之间的生物学关联。图 1：VirTues 平台概述。为认识决这一状况，探究人员设方式了一种新的因子化 Transformer 结构，将注意力机制拆分为「标记注意力」和「空间注意力」两个部分：前者协助模型理解不一样蛋白之间的关系，后者关注它们在组织中的空间排列方式。与此同时，VirTues 采取了一种结合蛋白材料和空间图像材料的新方式。模型不仅关注图像中的像素，还会结合蛋白自身的分子材料，从而能够处理训练时期没有出现过的新标记组合，实现跨数据集迁移。为了训练这个模型，探究团队收集了目前规模最大的开放空间蛋白组学数据资源之一：题数据集涵盖 15 个成像质条件（IMC）队列，共 3102 名患者和 146 种蛋白标记；进一步扩展的数据集覆盖 32 个队列、超过 5100 名患者以及 239 种标记，并涵盖 CODEX、Orion 和 MIBI 等不一样成像技术。图 2：VirTues 学习组织结构和标记关系。最后，VirTues 能够形成从分子、细胞、细胞群落到完善组织多个尺度的表示，为之后的细胞识别、组织探究、疾病预测以及生物标志物发现给予统一基础。补全看不见的组织材料如果说传统探究方式更像是在已有材料中寻找答案，那么 VirTues 更接近于学习组织背后的规律，并利用这些规律推测缺失的材料。探究团队先测试了模型是否真正理解了组织结构。他们设方式了三种不一样难度的遮挡任务：随机遮挡部分区域和蛋白材料；完全隐藏某一种蛋白标记；以及同时隐藏某个空间区域内的所有蛋白信号，让模型根据周围环境恢复缺失材料。在随机遮挡任务中，模型重建结荚与真实数据之间的平均 Pearson 相关系数实现 0.800±0.130，明显高于基于平均强度预测的方式。 当整个蛋白通方式被隐藏时，VirTues 仍然能够根据其他蛋白之间的关系恢复目的蛋白表达模式，平均相关系数实现 0.700±0.173。图 3：VirTues 在单细胞尺度上切割并注释组织。探究团队进一步开展了零样本测试：将一个完全没有参与训练的新肺癌数据集输入模型，即使其中涵盖训练时期没有见过的新蛋白标记，VirTues 仍然能够实现预测。对于训练中见过的标记，零样本重建平均相关系数实现 0.667。 对于新的蛋白标记，模型谝虽然减小，但仍显示出利用蛋白之间生物学关联开展推断的能力。更题的是，VirTues 展现出了基础模型最题的能力——跨数据迁移。图 4：VirTues 的临床采取：风险分层、诊断预测及通过相似性提取组织。探究人员发现，当模型采取全部数据集训练，而不是只采取单一数据集训练时，对于稀有免疫细胞的识别能力明显提高。例如 B 细胞提高 26.4%，髓系细胞提高 34.3%，自然杀伤细胞提高 109.7%，T 细胞提高 30.2%。在严格的零样本测试中，即使完全不采取目的数据集开展训练，VirTues 的细胞分类性能变化仍然很小。这意味着，一个在大量癌症组织数据中学习过的 AI 模型，可以像一名经验充足的病理探究专家一样，将知识迁移到新的患者样本中。预测患者未来VirTues 最后的目的并不仅是探究图像，而是寻找能够协助临床决策的材料。它能将细胞层面的空间材料整合为患者组织特点，并在更直接的临床任务中展现出巨大好处。当然，VirTues 距离真正进入临床仍然需更多验明正身。医学 AI 不仅需准确率，还需面对数据原则化、实验步骤区别以及临床采取可靠性等状况。