虚拟细胞（AI Virtual Cell）技术全景与视频模式对比
本文目录
整理日期：2026-08-24 数据来源：公开论文、公司官网、行业报告
一、领域概述
虚拟细胞（AIVC）是通过AI技术构建的数字化细胞系统，能够模拟真实细胞的结构、功能和行为。2024年《Cell》发表的里程碑论文正式定义了这一领域，2025-2026年迎来爆发式增长。
核心价值：将药物研发从"试错式湿实验"转向"计算预测+验证"范式，有望将研发周期从10+年缩短至数年。
二、输出模式分类
2.1 数值矩阵模式（主流）
输出格式：基因表达矩阵（AnnData .h5ad）
| 参数 | 说明 |
|---|---|
| 维度 | 细胞数 x 基因数（通常18,000+基因） |
| 内容 | 扰动后基因表达值（log标准化或原始计数） |
| 元数据 | 细胞类型、扰动条件、批次信息 |
评估指标：
- Pearson Delta：扰动响应相关性（0-1，越高越好）
- MSE：均方误差（越低越好）
- DEOverlap：差异表达基因重叠比例
代表模型：STATE、X-Cell、GEARS、scGPT
2.2 图像模式
输出格式：Cell Painting 5通道图像
| 通道 | 标记内容 |
|---|---|
| DNA | 细胞核 |
| ER | 内质网 |
| RNA | RNA |
| AGP | 高尔基体/肌动蛋白/质膜 |
| Mito | 线粒体 |
评估指标：
- FID（Fréchet Inception Distance）：生成图像与真实图像分布距离
- KID（Kernel Inception Distance）：核化分布距离
- MoA Accuracy：药物作用机制分类准确率
代表模型：CellFlux、MorphDiff、TRIDENT、PertFlow
2.3 3D体积模式
输出格式：3D细胞体积数据
| 特性 | 说明 |
|---|---|
| 通道 | 细胞质 + 细胞核双通道 |
| 分辨率 | 亚细胞级别 |
| 应用 | 3D形态预测、信号通路活性 |
代表模型：Form（65,000+ 3D细胞体积训练）
2.4 视频模式
输出格式：GIF/MP4时间序列
| 特性 | 说明 |
|---|---|
| 输入 | 早期帧（如6帧）或单张静态图像 |
| 输出 | 完整时间序列视频（如25帧） |
| 应用 | 发育轨迹、细胞周期、药物响应动态 |
代表模型：V3Cell、Static2Dynamic
2.5 蛋白质定位图像模式
输出格式：单通道蛋白质定位TIFF
| 特性 | 说明 |
|---|---|
| 输入 | 3个参考通道（细胞核、ER、微管） |
| 输出 | 12,800种蛋白质的定位图像 |
| 分辨率 | 0.1067 um/px |
代表模型：ProtiCelli
三、视频模式 vs 其他模式对比
3.1 核心差异
| 维度 | 数值矩阵 | 图像 | 视频 | 3D体积 |
|---|---|---|---|---|
| 信息类型 | 分子层面 | 表型整合 | 动态过程 | 空间结构 |
| 时间维度 | 单时间点 | 单时间点 | 多时间点 | 单时间点 |
| 空间维度 | 无 | 2D | 2D+时间 | 3D |
| 可解释性 | 低（需专业分析） | 中（可视化） | 高（直观动态） | 中 |
| 数据获取 | 容易 | 容易 | 困难 | 困难 |
| 成本 | 中 | 低 | 高 | 高 |
3.2 各模式优势
数值矩阵模式优势
| 优势 | 说明 |
|---|---|
| 机制层面 | 直接反映通路激活/抑制状态 |
| 特征丰富 | 测量18,000+基因 |
| 跨物种比较 | 基因表达更易比较 |
| 靶点发现 | 识别关键调控基因 |
图像模式优势
| 优势 | 说明 |
|---|---|
| 重复性高 | 57%-83%（vs 转录组16%-35%） |
| 成本低 | $0.50-1/孔（vs RNA-Seq $6-10/孔） |
| 信息密度 | 单张图像包含数千个形态特征 |
| 直接表型 | 形态是功能的直接体现 |
| 批次效应可校正 | CellFlux等模型专门处理 |
视频模式优势
| 优势 | 说明 |
|---|---|
| 动态信息 | 捕获时间演化过程 |
| 直观可解释 | 直接观察细胞行为变化 |
| 发育轨迹 | 预测细胞命运决定 |
| 药物响应 | 观察药物作用的时间动态 |
| 实验替代 | 替代难以进行的时间序列实验 |
3D体积模式优势
| 优势 | 说明 |
|---|---|
| 空间信息 | 捕获3D形态特征 |
| 亚细胞分辨率 | 细胞质+细胞核双通道 |
| 信号通路 | 可预测ERK-KTR等信号活性 |
| 组合扰动 | 模拟遗传-药物组合效应 |
3.3 各模式劣势
数值矩阵模式劣势
| 劣势 | 说明 |
|---|---|
| 重复性低 | 16%-35% |
| 成本高 | $6-10/孔 |
| 间接表型 | 需要推断功能状态 |
| 批次效应 | 技术噪声大 |
图像模式劣势
| 劣势 | 说明 |
|---|---|
| 无时间信息 | 单时间点快照 |
| 2D限制 | 丢失3D空间信息 |
| 某些MoA不敏感 | 如MAPK、热休克蛋白抑制剂 |
| 需要荧光标记 | Cell Painting需要6种染料 |
视频模式劣势
| 劣势 | 说明 |
|---|---|
| 数据稀缺 | 时间序列数据获取困难 |
| 成本高 | 活细胞成像设备昂贵 |
| 技术挑战 | 需要预测未来帧 |
| 验证困难 | 难以获得ground truth |
| 通量低 | 无法高通量筛选 |
3D体积模式劣势
| 劣势 | 说明 |
|---|---|
| 数据稀缺 | 3D成像数据有限 |
| 计算成本高 | 3D模型训练昂贵 |
| 技术复杂 | 需要特殊成像设备 |
| 通量低 | 无法高通量筛选 |
四、视频模式详解
4.1 V3Cell（哈佛/MIT）
核心思想：从明场显微镜构建3D虚拟类器官
| 阶段 | 内容 |
|---|---|
| Stage 1 | 静态3D细胞图像生成（GAN） |
| Stage 2 | 时序视频预测（给定早期帧预测完整轨迹） |
输出示例：
- 条件帧 -> 预测完整发育轨迹视频
- 真实时间序列 vs 虚拟类器官对比GIF
应用：
- 类器官发育命运预测（腔形成/塌陷/无腔）
- 药物处理时间序列
技术：R3GAN架构 + 条件视频生成
4.2 Static2Dynamic（ENS/IBENS）
核心思想：从静态图像重建不可观测的动态过程视频
| 阶段 | 内容 |
|---|---|
| Stage 1 | 伪时间估计 |
| Stage 2 | 扩散模型训练 |
| Stage 3 | 视频推理 |
应用：
- 细胞周期动画
- 室管膜细胞发育
- NASH疾病进展
- 药物处理时间序列（如docetaxel、nocodazole）
技术：伪时间估计 + 高斯代理扩散模型
4.3 CellFlux/CellFluxV2（清华大学）
核心思想：用flow matching生成扰动后的细胞形态图像，支持状态插值
独特能力：
- 批次效应校正
- 细胞状态连续插值（生成中间状态图像）
- 可视化扰动动态过程
技术：Flow matching，分布到分布转换
性能：FID提升35%，MoA预测准确率提升12%
五、图像模式详解
5.1 MorphDiff（Nature Communications 2025）
核心思想：转录组引导的扩散模型，从基因表达预测细胞形态
| 模式 | 说明 |
|---|---|
| G2I | 基因表达 -> 图像 |
| I2I | 控制图像 -> 扰动图像 |
应用：
- 预测未见扰动的细胞形态
- 药物作用机制（MoA）识别
性能：MoA检索准确率比基线高16.9%
5.2 TRIDENT（CVPR 2026）
核心思想：三模态级联生成，显式建模 RNA->形态 映射
关键创新：显式建模 Perturbation + RNA -> Morphology 路径
性能：FID提升5-7倍
5.3 PertFlow（bioRxiv 2026）
核心思想：联合预测转录组和形态响应
输出：
- 治疗后RNA-seq
- 治疗后细胞图像
评估：病理学家评分7.11-7.89/10
六、主要公司与机构
6.1 国际公司
| 公司 | 融资 | 核心技术 | 输出模式 |
|---|---|---|---|
| Xaira Therapeutics | $1B+ | X-Cell（4.9B参数） | 数值矩阵 |
| Arc Institute | $650M+ | STATE、Stack | 数值矩阵 |
| Tahoe Therapeutics | - | Tahoe-100M数据集 | 数值矩阵 |
| Noetik | $50M（GSK合作） | OCTOVC（空间虚拟细胞） | 数值矩阵 |
| Cellular Intelligence | $57M | 通用虚拟细胞信号模型 | 数值矩阵 |
| GenBio AI | 未公开 | AIDO多尺度系统 | 数值矩阵+图像 |
| Isomorphic Labs | $2.7B | IsoDDE | 分子结构 |
6.2 中国公司
| 公司 | 融资 | 核心技术 | 输出模式 |
|---|---|---|---|
| 百曜科技 | 数千万 | AURA CellOS（12B参数） | 数值矩阵 |
| 无界进化 | 数千万 | OCOO-T模型 | 数值矩阵 |
| 华源智因 | 数千万 | 临床前药效评价 | 数值矩阵 |
| 深度细胞 | 近亿 | 分子相互作用基座模型 | 数值矩阵 |
| 阿里达摩院 | - | 灵枢细胞模型 | 数值矩阵 |
| 腾讯 | - | UniPert-G2CP | 数值矩阵 |
6.3 研究机构
| 机构 | 核心贡献 | 输出模式 |
|---|---|---|
| Arc Institute | Virtual Cell Challenge发起者 | 数值矩阵 |
| CZI | CELLxGENE数据平台 | 数值矩阵 |
| Broad Institute | Cell Painting标准化 | 图像 |
| 清华大学 | CellFlux | 图像 |
| 哈佛/MIT | V3Cell | 视频 |
| ENS/IBENS | Static2Dynamic | 视频 |
七、评估指标汇总
7.1 数值矩阵预测
| 指标 | 说明 | 范围 |
|---|---|---|
| Pearson Delta | 扰动响应相关性 | 0-1，越高越好 |
| MSE | 均方误差 | 越低越好 |
| DEOverlap | 差异表达基因重叠比例 | 0-1 |
| Sinkhorn Divergence | 最优传输距离 | 越低越好 |
7.2 图像预测
| 指标 | 说明 | 范围 |
|---|---|---|
| FID | Fréchet Inception Distance | 越低越好 |
| KID | Kernel Inception Distance | 越低越好 |
| IS | Inception Score | 越高越好 |
| SSIM | 结构相似性 | 0-1 |
| MoA Accuracy | 药物作用机制分类准确率 | 0-1 |
7.3 视频预测
| 指标 | 说明 | 范围 |
|---|---|---|
| FVD | Fréchet Video Distance | 越低越好 |
| SSIM | 帧间结构相似性 | 0-1 |
| PSNR | 峰值信噪比 | 越高越好 |
| 命运预测准确率 | 发育命运分类准确率 | 0-1 |
八、底层原因分析
8.1 为什么图像预测有时更好
| 原因 | 解释 |
|---|---|
| 信息密度 | 单张图像包含数千个形态特征 |
| 直接表型 | 形态是功能的直接体现，不需要推断 |
| 重复性高 | 57%-83%（vs 转录组16%-35%） |
| 成本优势 | 更低的成本 -> 更多数据 -> 更好的模型 |
| 批次效应可校正 | CellFlux等模型专门处理 |
8.2 为什么转录组预测有时更好
| 原因 | 解释 |
|---|---|
| 机制层面 | 直接反映通路激活/抑制状态 |
| 更广泛的特征 | L1000测量更多独立特征组 |
| 某些MoA更敏感 | 如MAPK、热休克蛋白抑制剂 |
| 可预测未观测过程 | 如信号传导、转录调控 |
8.3 形态学的多基因架构
2026年3月研究揭示：
- 跨模态预测的高准确性不意味着直接的基因-表型映射
- 单个基因与形态的相关性普遍很弱（r < 0.2）
- 预测信号分散在大量基因中，没有单个基因主导
- 形态学是"汇总统计量"，整合了大量弱转录信号
九、应用场景选择指南
9.1 选择数值矩阵模式
| 场景 | 原因 |
|---|---|
| 靶点发现 | 识别关键调控基因 |
| 机制研究 | 直接反映通路状态 |
| 信号通路分析 | 捕获传导级联反应 |
| 跨物种比较 | 基因表达更易比较 |
9.2 选择图像模式
| 场景 | 原因 |
|---|---|
| 高通量筛选 | 成本低，可扩展性强 |
| MoA初筛 | 形态学对多种MoA敏感 |
| 批次效应校正 | 专门模型可处理 |
| 可视化验证 | 病理学家可直接评估 |
9.3 选择视频模式
| 场景 | 原因 |
|---|---|
| 发育研究 | 预测细胞命运决定 |
| 药物动力学 | 观察药物作用的时间动态 |
| 细胞周期 | 分析细胞分裂过程 |
| 类器官研究 | 预测类器官发育轨迹 |
9.4 选择3D体积模式
| 场景 | 原因 |
|---|---|
| 3D形态分析 | 捕获空间结构特征 |
| 信号通路活性 | 预测ERK-KTR等信号 |
| 组合扰动 | 模拟遗传-药物组合效应 |
| 亚细胞结构 | 分析细胞器组织 |
9.5 最佳实践：多模态融合
药物结构 + 转录组 + 形态学 + 时间序列
|
多模态融合模型
|
更全面的细胞响应预测证据：结合三种模态可预测59%的检测（AUROC > 0.7），而单一模态仅能预测7-8%。
十、关键数据集
| 数据集 | 规模 | 内容 | 模式 |
|---|---|---|---|
| Tahoe-100M | 1亿细胞 | 1200药物/50癌细胞系 | 数值矩阵 |
| X-Atlas/Pisces | 25.6M细胞 | 16种生物背景CRISPRi | 数值矩阵 |
| CELLxGENE | 1.7亿细胞 | 标准化单细胞数据 | 数值矩阵 |
| Virtual Cell Atlas | 6亿+细胞 | 综合开放资源 | 数值矩阵 |
| BBBC021 | - | 化学扰动Cell Painting | 图像 |
| RxRx1 | - | 遗传扰动Cell Painting | 图像 |
| JUMP | 140,000+扰动 | 组合扰动Cell Painting | 图像 |
| MorphoGene | 98化合物 | L1000+Cell Painting配对 | 图像+数值 |
十一、2026年关键事件
| 时间 | 事件 |
|---|---|
| 1月 | Arc发布Stack模型，首个上下文学习单细胞FM |
| 3月 | Xaira发布X-Cell（4.9B参数），展示缩放定律 |
| 4月 | MVCBench发布，系统评估多模态预测 |
| 5月 | Cellular Intelligence收购Novo Nordisk帕金森细胞疗法 |
| 6月 | 阿里达摩院灵枢细胞模型VCC基准第一 |
| 6月 | 百曜科技发布AURA CellOS（12B参数JEPA架构） |
| 7月 | 腾讯UniPert-G2CP发表于Cell |
| 7月 | 无界进化OCOO-T三大基准SOTA |
| 8月 | 2026 Virtual Cell Challenge启动（零样本任务） |
| 8月 | GenBio AI发布AIDO Cell多尺度虚拟细胞 |
十二、总结与展望
12.1 当前阶段
虚拟细胞已从"概念验证"进入"实用工具"阶段，但尚未成为"可信预言机"。
12.2 三大趋势
- 数据规模化：从数据匮乏到数据丰富，但覆盖仍不均衡
- 架构多元化：Transformer、扩散模型、JEPA等多路线并行
- 闭环验证：湿实验+干实验闭环成为竞争关键
12.3 模式选择建议
| 需求 | 推荐模式 | 原因 |
|---|---|---|
| 高通量筛选 | 图像 | 成本低、通量高 |
| 靶点发现 | 数值矩阵 | 机制层面信息 |
| 发育研究 | 视频 | 捕获时间动态 |
| 3D形态 | 3D体积 | 空间结构信息 |
| 全面分析 | 多模态融合 | 互补优势 |
12.4 核心判断
- 视频模式是独特优势：捕获时间动态，其他模式无法替代
- 图像模式性价比最高：成本低、重复性高、信息丰富
- 数值矩阵是基础：提供机制层面理解
- 多模态融合是未来：结合各模式优势，覆盖更多场景
参考资料
- CellFlux: Simulating Cellular Morphology Changes via Flow Matching (ICML 2025)
- MorphDiff: Prediction of cellular morphology changes under perturbations (Nature Communications 2025)
- TRIDENT: A Trimodal Cascade Generative Framework (CVPR 2026)
- V3Cell: A vision-guided virtual 3D cell framework (GitHub)
- Static2Dynamic: Reconstructing videos of unobservable cellular processes (GitHub)
- MVCBench: A Multimodal Benchmark for Drug-induced Virtual Cell Phenotypes (2026)
- Cellular morphology emerges from polygenic, distributed transcriptional variation (2026)
- Cell Painting: a decade of discovery and innovation (Nature Methods 2024)
- Morphology and gene expression profiling provide complementary information (2022)
- Virtual Cells: Predict, Explain, Discover (Valence Labs)
十三、细胞与组织观察手段全景：信息量分析
13.1 核心结论
图像和视频只是细胞/组织信息的"冰山一角"。完整的细胞状态需要多组学、多尺度、多模态的数据才能全面描述。
13.2 信息层次金字塔
┌─────────────┐
│ 表型/功能 │ ← 图像/视频主要捕获这一层
├─────────────┤
│ 蛋白质组 │ ← 功能执行者
├─────────────┤
│ 转录组 │ ← 调控状态
├─────────────┤
│ 表观基因组 │ ← 调控开关
├─────────────┤
│ 基因组 │ ← 遗传蓝图
└─────────────┘13.3 各模态信息量估算
| 模态 | 特征数量 | 信息类型 | 空间信息 | 时间信息 |
|---|---|---|---|---|
| 基因组 | ~20,000基因 | 静态遗传信息 | 无 | 无 |
| 表观基因组 | ~100,000+位点 | 调控状态 | 有限 | 有限 |
| 转录组 | ~20,000基因 | 调控活性 | 有限 | 单时间点 |
| 蛋白质组 | ~10,000-20,000蛋白 | 功能状态 | 有限 | 单时间点 |
| 代谢组 | ~1,000-10,000代谢物 | 即时状态 | 有限 | 单时间点 |
| Cell Painting图像 | ~1,500-5,000特征 | 形态整合 | 2D空间 | 单时间点 |
| 视频 | 帧 x 特征 | 动态过程 | 2D空间 | 多时间点 |
| 空间转录组 | ~1,000-24,000基因 | 调控+空间 | 亚细胞 | 单时间点 |
| 空间蛋白质组 | ~100-1,000蛋白 | 功能+空间 | 亚细胞 | 单时间点 |
十四、主要观察手段详解
14.1 成像类（图像/视频）
显微镜图像
| 类型 | 分辨率 | 信息内容 | 优势 | 局限 |
|---|---|---|---|---|
| 明场显微镜 | ~200nm | 细胞形态、密度 | 简单、无标记 | 信息有限 |
| 荧光显微镜 | ~200nm | 特定蛋白/结构 | 特异性高 | 通道有限（3-5个） |
| 共聚焦显微镜 | ~200nm | 3D结构 | 光学切片 | 光毒性 |
| 超分辨率显微镜 | ~20nm | 亚细胞结构 | 超高分辨率 | 通量低、光毒性 |
| 电子显微镜 | ~0.1nm | 超微结构 | 最高分辨率 | 样品制备复杂 |
Cell Painting（形态学图像）
信息内容：
- 5通道：DNA、ER、RNA、AGP、Mito
- ~1,500-5,000个形态特征
- 包括：面积、形状、纹理、强度、相关性
信息量占比：
- 捕获表型层面的"汇总统计量"
- 整合了多个生物过程的结果
- 但不直接反映分子层面的调控状态
关键研究发现：
"细胞形态作为多基因特征，从分布式转录变异中涌现" "单个基因与形态的相关性普遍很弱（r < 0.2）"
活细胞成像（视频）
信息内容：
- 细胞运动、分裂、死亡
- 细胞间相互作用
- 形态动态变化
- 药物响应时间过程
独特价值：
- 捕获时间维度信息
- 观察因果关系而非相关性
- 替代难以进行的时间序列实验
14.2 测序类
基因组学
| 技术 | 信息内容 | 分辨率 | 应用 |
|---|---|---|---|
| 全基因组测序 | DNA序列变异 | 碱基 | 突变检测 |
| 外显子测序 | 编码区变异 | 碱基 | 疾病相关变异 |
| 单细胞基因组 | 单细胞突变 | 单细胞 | 克隆演化 |
转录组学
| 技术 | 信息内容 | 分辨率 | 特征数 |
|---|---|---|---|
| Bulk RNA-seq | 组织平均表达 | 组织 | ~20,000 |
| scRNA-seq | 单细胞表达 | 单细胞 | ~20,000 |
| 空间转录组 | 空间表达 | 亚细胞-多细胞 | 1,000-24,000 |
空间转录组技术：
| 技术 | 分辨率 | 特征数 | 原理 |
|---|---|---|---|
| 10x Visium | 55um（多细胞） | 全转录组 | 捕获条码 |
| Slide-seq | 10um | 全转录组 | 微珠条码 |
| Stereo-seq | 亚细胞 | 全转录组 | 纳米球阵列 |
| MERFISH | 亚细胞 | ~10,000 | 组合条码FISH |
| seqFISH+ | 亚细胞 | ~24,000 | 序列杂交 |
| CosMx | 亚细胞 | 6,000 RNA + 100蛋白 | 原位成像 |
表观基因组学
| 技术 | 信息内容 | 应用 |
|---|---|---|
| ATAC-seq | 染色质可及性 | 调控元件活性 |
| ChIP-seq | 组蛋白修饰/转录因子结合 | 表观调控 |
| CUT&Tag | 组蛋白修饰 | 低输入表观分析 |
| DNA甲基化测序 | 甲基化状态 | 表观遗传 |
14.3 质谱类
蛋白质组学
| 技术 | 信息内容 | 分辨率 | 特征数 |
|---|---|---|---|
| LC-MS/MS | 蛋白丰度 | 组织/细胞 | ~10,000 |
| 单细胞蛋白质组 | 单细胞蛋白 | 单细胞 | ~1,000-5,000 |
| CyTOF | 表面标记 | 单细胞 | ~40-50 |
| IMC | 空间蛋白 | 亚细胞 | ~40 |
代谢组学/脂质组学
| 技术 | 信息内容 | 分辨率 | 特征数 |
|---|---|---|---|
| LC-MS | 代谢物/脂质 | 组织 | ~1,000-10,000 |
| MALDI-MSI | 空间代谢物 | 5-20um | ~1,000 |
| DESI-MSI | 空间脂质 | ~50um | ~1,000 |
14.4 其他手段
| 手段 | 信息内容 | 分辨率 | 应用 |
|---|---|---|---|
| 流式细胞术 | 细胞表面标记 | 单细胞 | 细胞分选 |
| MRI | 组织结构 | ~100um | 活体成像 |
| PET | 代谢活性 | ~1mm | 功能成像 |
| CT | 组织密度 | ~50um | 结构成像 |
| 拉曼光谱 | 分子振动 | ~1um | 无标记化学成像 |
十五、信息量对比分析
15.1 各模态信息维度
| 维度 | 基因组 | 转录组 | 蛋白质组 | 代谢组 | 图像 | 视频 |
|---|---|---|---|---|---|---|
| 分子种类 | 4种碱基 | ~20,000基因 | ~20,000蛋白 | ~10,000代谢物 | ~5,000特征 | 帧x特征 |
| 空间信息 | 无 | 有限 | 有限 | 有限 | 2D | 2D+时间 |
| 时间信息 | 无 | 单时间点 | 单时间点 | 单时间点 | 单时间点 | 多时间点 |
| 因果信息 | 无 | 间接 | 直接 | 直接 | 间接 | 直接 |
| 成本 | 中 | 中-高 | 高 | 中 | 低 | 中 |
| 通量 | 高 | 中-高 | 中 | 中 | 高 | 低 |
15.2 图像/视频的信息量占比
图像（Cell Painting）：
- 捕获表型层面的整合信息
- 包含~1,500-5,000个形态特征
- 但不直接反映：
- 基因表达状态
- 蛋白质丰度
- 代谢物浓度
- 表观遗传状态
视频：
- 在图像基础上增加时间维度
- 捕获动态过程和因果关系
- 但信息量仍远低于分子层面
估算：
- 图像/视频可能捕获细胞状态信息的10-30%（表型层面）
- 转录组捕获30-50%（调控层面）
- 蛋白质组捕获40-60%（功能层面）
- 多组学整合可捕获70-90%
15.3 为什么图像/视频仍然重要
| 原因 | 说明 |
|---|---|
| 成本效益 | 图像成本是转录组的1/10-1/20 |
| 通量 | 可筛选10万+化合物 |
| 直接表型 | 形态是功能的直接体现 |
| 可解释性 | 病理学家可直接评估 |
| 时间信息 | 视频捕获动态过程 |
| 整合信号 | 形态是多个生物过程的"汇总统计量" |
十六、多模态整合的价值
16.1 互补性证据
Broad Institute 2022年研究：
- Cell Painting和L1000检测部分重叠、部分不同的MoA
- Cell Painting检测到19%的独特MoA
- L1000检测到24%的独特MoA
- 两者结合检测到27%的共同MoA
- 总覆盖率：69%
MVCBench 2026年研究：
- 药物分子表征对形态学预测提升大
- 基因表征对转录组预测提升大
- 多模态融合一致性提升准确率
16.2 最佳实践：多模态整合
药物结构 + 转录组 + 蛋白质组 + 代谢组 + 形态学 + 时间序列
|
多模态融合模型
|
更全面的细胞响应预测证据：结合三种模态可预测59%的检测（AUROC > 0.7），而单一模态仅能预测7-8%。
十七、各模态应用场景
17.1 选择图像/视频的场景
| 场景 | 原因 |
|---|---|
| 高通量筛选 | 成本低、通量高 |
| MoA初筛 | 形态学对多种MoA敏感 |
| 发育研究 | 视频捕获时间动态 |
| 类器官研究 | 预测发育轨迹 |
| 可视化验证 | 病理学家可直接评估 |
17.2 选择转录组的场景
| 场景 | 原因 |
|---|---|
| 靶点发现 | 识别关键调控基因 |
| 机制研究 | 直接反映通路状态 |
| 信号通路分析 | 捕获传导级联反应 |
| 细胞类型注释 | 基因表达标记 |
17.3 选择蛋白质组的场景
| 场景 | 原因 |
|---|---|
| 功能研究 | 蛋白质是功能执行者 |
| 药物靶点验证 | 直接测量靶点蛋白 |
| 信号通路活性 | 磷化等修饰状态 |
| 生物标志物 | 蛋白质更稳定 |
17.4 选择代谢组的场景
| 场景 | 原因 |
|---|---|
| 代谢研究 | 直接测量代谢物 |
| 药物代谢 | 药物代谢产物 |
| 疾病标志物 | 代谢物变化快 |
| 营养研究 | 营养物质代谢 |
17.5 选择空间组学的场景
| 场景 | 原因 |
|---|---|
| 组织结构 | 保留空间信息 |
| 细胞间相互作用 | 邻居细胞分析 |
| 肿瘤微环境 | 空间异质性 |
| 发育生物学 | 空间模式 |
十八、总结与洞察
18.1 信息量占比估算
| 模态 | 信息量占比 | 主要捕获层面 |
|---|---|---|
| 基因组 | 5-10% | 遗传蓝图 |
| 表观基因组 | 10-20% | 调控开关 |
| 转录组 | 30-50% | 调控状态 |
| 蛋白质组 | 40-60% | 功能状态 |
| 代谢组 | 20-40% | 即时状态 |
| 图像 | 10-30% | 表型整合 |
| 视频 | 15-35% | 动态过程 |
| 多模态整合 | 70-90% | 全面状态 |
18.2 核心洞察
- 图像/视频是"冰山一角"：捕获表型层面的整合信息，但不直接反映分子调控
- 转录组是"调控快照"：捕获基因表达状态，但不反映蛋白质功能
- 蛋白质组是"功能执行者"：直接反映细胞功能状态
- 代谢组是"即时状态"：反映细胞当前代谢状态
- 空间组学是"上下文"：保留细胞在组织中的位置信息
- 多模态整合是"全景"：结合各模态优势，全面描述细胞状态
18.3 实际建议
| 需求 | 推荐组合 | 原因 |
|---|---|---|
| 高通量筛选 | 图像 + 转录组 | 成本效益 + 机制理解 |
| 靶点发现 | 转录组 + 蛋白质组 | 调控 + 功能 |
| 药物开发 | 多组学 + 图像 + 时间序列 | 全面评估 |
| 基础研究 | 空间多组学 | 空间 + 分子 |
| 临床应用 | 图像 + 生物标志物 | 可解释 + 预测 |
参考资料（补充）
- Spatially Resolved Single-Cell Omics: Methods, Challenges, and Future Perspectives (Annual Reviews 2024)
- Subcellular Transcriptomics and Proteomics: A Comparative Methods Review (PMC 2022)
- Spatiotemporal omics for biology and medicine (Cell 2024)
- Single-Cell and Spatial Omics: Methods and Applications (PMC 2025)
- Mass spectrometry imaging for spatially resolved multi-omics molecular mapping (npj Imaging 2024)
- The evolving landscape of spatial proteomics technologies in the AI age (PMC 2025)
- Single-cell spatial omics: Recent developments in data analysis (TrAC 2024)
- Enablers and challenges of spatial omics (EMBO 2023)
- Single-Cell Multiomics (Annual Reviews 2023)
- Advances in single-cell omics and multiomics (Experimental & Molecular Medicine 2024)
本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或⚠️的数字未经独立核实。