Nature | 西湖大学郭天南团队等开发：扰动蛋白质组如何让虚拟细胞用于药物发现？
与直接从基因表达差异建模相比，这条路线将药物作用后的蛋白网络变化纳入学习对象。输入数据的生物学层级，决定了模型更接近药物真实作用过程，而不仅是疾病状态关联。
时间维度揭示药物扰动并非单一终点事件
药物处理后的蛋白组变化具有明显时间结构：部分蛋白快速响应，部分通路在后续时段才发生重塑。若只取单个终点，容易遗漏早期信号传导和晚期表型重编程之间的关系。
这也是本文相较于传统药敏预测的重要差异。模型学习的不是某一时点“升或降”，而是扰动如何沿时间推动蛋白网络转移。
动态表示提升多个药物发现任务的预测能力
ProteinTalks通过预训练获得可迁移的动态表示，并在药效和协同预测等评估任务中与既有方法进行比较。作者报告其在所选基准和评价方案下取得了更好的整体表现。
这里的关键不只是一个性能排名，而是同一套预训练表示可以服务多个任务。一个可复用的扰动表征，比为每个药物问题单独训练一个黑箱模型更接近虚拟细胞的目标。
可解释性把模型输出转成耐药机制假说
作者进一步分析模型内部的关键蛋白特征，探索与药物耐受相关的候选蛋白和通路。这个环节让模型从“预测某药是否有效”延伸到“哪些蛋白变化可能与反应差异相关”。
需要把边界说清：特征归因本身只能提供候选机制线索，并不等于完成因果证明。它的价值在于将模型压缩出的高维信息，转化为后续敲低、过表达、药物阻断和联合用药实验可检验的假说。
模型开始接触类器官和临床样本这一真实难题
从细胞系迁移到患者来源类器官和临床活检，是虚拟细胞走向转化应用的重要压力测试。作者将ProteinTalks用于患者反应分层及类器官候选药物优先级排序，以评估其跨体系迁移能力。
临床相关性并不意味着模型已能直接决定患者用药，但它说明动态蛋白质组表示具有从标准化细胞模型向复杂样本外推的潜力。
总结
这项工作的价值，在于用大规模时序扰动蛋白质组把“虚拟细胞”连接到可验证的药物发现任务：动态网络可被学习，候选干预可被排序，模型结论也能被实验继续追问。
参考文献
Sun R, Qian L, Li Y, et al. An operational perturbation proteomics-based virtual cell model. Nature. 2026. https://doi.org/10.1038/s41586-026-11001-9
- Nature: https://www.nature.com/articles/s41586-026-11001-9
如果虚拟细胞只看一个静态转录组快照，它更像“细胞状态描述器”；如果能读取药物作用后蛋白网络如何随时间变化，才有机会回答“给药后会发生什么”。
ProteinTalks以大规模时序扰动蛋白质组为训练底座，将虚拟细胞从表征学习推进到药效、联合用药、耐药线索和类器官候选药物优选等可执行任务。
读这篇先把主线抓住：动态蛋白轨迹提供训练数据，可迁移潜在表示构成模型核心，药物发现任务则是衡量虚拟细胞是否真正有用的终点。
文献信息
项目内容
标题An operational perturbation proteomics-based virtual cell model
中文理解本文以乳腺癌细胞系的大规模时序药物扰动蛋白质组为基础，训练ProteinTalks虚拟细胞模型，用于预测药效和协同、发现候选联合用药、定位耐药相关蛋白，并拓展至患者来源类器官和临床活检样本。
期刊Nature
发表时间2026年9月9日
研究方向AI蛋白质组学、虚拟细胞、药物扰动预测、精准药物发现
核心模型ProteinTalks
数据规模超过3,800万条时序蛋白丰度测量
原始数据iProX：IPX0007409000
DOIhttps://doi.org/10.1038/s41586-026-11001-9
代码https://github.com/guomics-lab/PTV-1
资源平台https://db.prottalks.com
这篇文章解决了什么问题
虚拟细胞的难点从来不只是“模型够不够大”，而是模型能否对未见过的干预给出有生物学意义的预测。既有大量细胞基础模型以RNA为主要输入，但药物直接作用于蛋白、蛋白复合体、信号通路和代谢网络，RNA变化并不总能及时代表功能后果。
ProteinTalks选择从扰动蛋白质组切入：不只记录“某种药处理后哪些蛋白变了”，还记录这些变化的时间轨迹。模型学习的是条件扰动下蛋白网络的动态响应规律，再将其迁移到不同药物发现任务。
真正值得注意的是，作者没有只用重建精度定义模型成功，而是将其放到药效、协同、耐药、临床分层和类器官候选药物优选等应用场景中检验。“能否帮助实验决策”成为模型价值的核心尺度。
文章摘要
作者系统生成了超过3,800万条时序蛋白丰度测量，构建乳腺癌细胞系药物扰动蛋白质组资源，并据此训练虚拟细胞模型ProteinTalks。模型通过时序蛋白轨迹预训练，学习可迁移的动态潜在表示，而非仅拟合某一固定处理条件下的终点蛋白表达。
在下游任务中，ProteinTalks用于预测药物疗效与协同作用、发现候选联合方案、定位耐药相关蛋白、分层患者治疗反应，并对患者来源类器官的候选药物进行优选。作者报告，模型在所评估基准设置中整体优于选定对照方法，并可从细胞系迁移至类器官和临床活检样本。
这项工作提出的并非完整意义上的全细胞模拟，而是一个以扰动蛋白网络动态为核心、可面向药物发现实际任务运行的虚拟细胞框架。其临床价值仍需在前瞻性、跨癌种及真实用药场景中进一步检验。
方法设计亮点
数据从静态转向动态：以药物扰动后的时间序列蛋白丰度变化作为模型学习对象。
预训练目标强调可迁移性：学习不同扰动条件下蛋白响应轨迹的共享表示。
评估直接面向任务：不止比较表征或重建，而是进入药效、协同、耐药和类器官药物优选。
材料与方法
模块内容
研究体系系统药物扰动的乳腺癌细胞系
核心数据时序质谱蛋白质组数据
数据规模超过3,800万条蛋白丰度测量
模型目标学习条件扰动下蛋白网络的动态潜在表示
下游任务药效预测、药物协同、候选联合用药、耐药蛋白探索、患者反应分层、类器官药物优选
验证场景细胞系、患者来源类器官与临床活检样本
数据与资源iProX IPX0007409000；PTDS资源可通过ProteinTalks数据库获取
研究结果
从扰动蛋白轨迹构建可操作的虚拟细胞
研究的总体流程由三部分组成：系统生成扰动蛋白质组数据、以动态响应预训练ProteinTalks、将模型用于一系列药物发现任务。这里的“operational”强调模型可以被查询、比较和用于候选优先级排序。
与直接从基因表达差异建模相比，这条路线将药物作用后的蛋白网络变化纳入学习对象。输入数据的生物学层级，决定了模型更接近药物真实作用过程，而不仅是疾病状态关联。
时间维度揭示药物扰动并非单一终点事件
药物处理后的蛋白组变化具有明显时间结构：部分蛋白快速响应，部分通路在后续时段才发生重塑。若只取单个终点，容易遗漏早期信号传导和晚期表型重编程之间的关系。
这也是本文相较于传统药敏预测的重要差异。模型学习的不是某一时点“升或降”，而是扰动如何沿时间推动蛋白网络转移。
动态表示提升多个药物发现任务的预测能力
ProteinTalks通过预训练获得可迁移的动态表示，并在药效和协同预测等评估任务中与既有方法进行比较。作者报告其在所选基准和评价方案下取得了更好的整体表现。
这里的关键不只是一个性能排名，而是同一套预训练表示可以服务多个任务。一个可复用的扰动表征，比为每个药物问题单独训练一个黑箱模型更接近虚拟细胞的目标。
可解释性把模型输出转成耐药机制假说
作者进一步分析模型内部的关键蛋白特征，探索与药物耐受相关的候选蛋白和通路。这个环节让模型从“预测某药是否有效”延伸到“哪些蛋白变化可能与反应差异相关”。
需要把边界说清：特征归因本身只能提供候选机制线索，并不等于完成因果证明。它的价值在于将模型压缩出的高维信息，转化为后续敲低、过表达、药物阻断和联合用药实验可检验的假说。
模型开始接触类器官和临床样本这一真实难题
从细胞系迁移到患者来源类器官和临床活检，是虚拟细胞走向转化应用的重要压力测试。作者将ProteinTalks用于患者反应分层及类器官候选药物优先级排序，以评估其跨体系迁移能力。
临床相关性并不意味着模型已能直接决定患者用药，但它说明动态蛋白质组表示具有从标准化细胞模型向复杂样本外推的潜力。
总结
这项工作的价值，在于用大规模时序扰动蛋白质组把“虚拟细胞”连接到可验证的药物发现任务：动态网络可被学习，候选干预可被排序，模型结论也能被实验继续追问。
参考文献
Sun R, Qian L, Li Y, et al. An operational perturbation proteomics-based virtual cell model. Nature. 2026. https://doi.org/10.1038/s41586-026-11001-9
Nature: https://www.nature.com/articles/s41586-026-11001-9
预印本: https://doi.org/10.1101/2025.02.07.637070
数据: https://www.iprox.cn/page/project.html?id=IPX0007409000
ProteinTalks数据库: https://db.prottalks.com
代码: https://github.com/guomics-lab/PTV-1
