ProteinTalks 乳腺癌治疗预测挑战静态细胞模型
ProteinTalks 在利用超过 3,800 万项乳腺癌细胞蛋白质测量数据完成训练后，已将虚拟细胞研究推进至患者样本层面。ProteinTalks 乳腺癌治疗预测模型追踪细胞随时间发生的变化，而非将每个细胞视为静态的分子快照。
这一区别构成了该研究真正的张力所在。该模型在预测培养细胞对 81 种未纳入训练数据的药物将如何反应时，准确率达到 88%。然而，这一结果并不意味着它为 88% 的患者选出了正确治疗方案。
研究人员还利用 501 名三阴性乳腺癌（TNBC）患者的肿瘤活检样本测试了 ProteinTalks。结果将其预测与实际治疗结局联系起来，使该系统相比许多仅限于实验室的虚拟细胞更接近临床相关性。它仍然是一个研究模型，而非可用于常规医疗的治疗选择系统。
ProteinTalks 将蛋白质变化转化为药物预测
ProteinTalks 将细胞视为不断变化的生物系统，而非固定的分子目录。
西湖大学的 Tiannan Guo 及来自多所学术与研究机构的合作者开发了 ProteinTalks。他们经过同行评审的虚拟细胞研究于 2026 年 9 月 9 日发表于 Nature。
研究团队从 18 个乳腺癌细胞系中收集了蛋白质丰度测量数据。其中 16 个细胞系代表 TNBC，这是一种缺乏雌激素、孕激素和 HER2 受体的侵袭性亚型。
这些缺失的受体之所以重要，是因为它们排除了若干既有治疗靶点。医生无法依赖激素导向治疗或 HER2 靶向疗法来治疗这类肿瘤。因此，化疗、免疫治疗以及数量较少的靶向治疗选择承担了更多责任。
研究人员让这些细胞系暴露于 63 种获美国食品药品监督管理局批准的抗肿瘤药物中。他们还测试了 59 种药物组合，在不同细胞背景下制造了大量受控扰动。
训练数据涵盖 5,585 个蛋白质组。科学家在治疗前以及治疗后 6、24 和 48 小时再次进行测量。完整实验项目产生了超过 3,800 万项时序蛋白质丰度测量数据。
蛋白质组学是对生物样本内蛋白质进行大规模测量的技术。蛋白质执行许多细胞功能，其丰度变化可揭示肿瘤在治疗开始后如何反应。
ProteinTalks 学习了这些时间依赖性反应的表征。其架构纳入神经常微分方程，用于模拟系统内部状态如何随时间连续演化。
其成果聚焦而非包罗万象。ProteinTalks 并不试图重现活细胞中的每一个细胞器、化学反应或物理相互作用。
Guo 将其描述为一类在药物发现中具有明确目标的虚拟细胞。这一更狭义的定义很重要，因为“虚拟细胞”一词否则可能让人联想到完整的数字复制体。
该模型转而根据实验观察到的蛋白质轨迹预测特定结局。这些任务包括药物疗效、药物组合、与耐药相关的蛋白质、患者分层，以及肿瘤类器官候选药物排序。
这一范围使该系统在实用研究意义上具备可操作性。科学家可以提供分子初始状态和拟议的药物扰动，再要求模型估计相应反应。
这比对既有样本进行分类要求更高。它要求系统表征治疗如何改变细胞，包括对训练中未纳入化合物的反应。
研究人员利用 81 种未见药物测试了这一能力。按照该研究的评估方案，ProteinTalks 对细胞反应的分类准确率达到 88%。
这一结果引发关注，因为该系统并不只是回忆熟悉的化合物特征。它将学到的蛋白质动态泛化至训练期间被保留的治疗方案。
不过，测试环境仍受到控制。培养癌细胞无法重现完整的肿瘤、免疫系统、代谢过程或患者治疗史。这一差距界定了故事的下一阶段。
为什么蛋白质动态比又一份分子快照更重要
治疗反应会随时间展开，因此仅根据治疗前状态训练的模型会遗漏大量相关生物学信息。
许多生物学基础模型学习自单细胞 RNA 测序。这项技术测量单个细胞的基因表达信号，可揭示细胞身份、状态以及与疾病相关的模式。
此类数据支持了可跨组织和条件比较细胞的大型模型。然而，一组彼此孤立的测量结果可能像是在无关时刻拍下的照片。
药物反应更像一段序列。一种蛋白质可能迅速升高，另一种可能在随后下降，下游通路则可能在数小时后进行补偿。
这些轨迹能够区分短暂压力与持久的治疗效果。它们也能揭示最终帮助恶性细胞存活的适应性反应。
ProteinTalks 尝试保留这一序列。模型在药物暴露前后接收预定时间间隔的测量数据，从而学习条件性变化。
这正是 ProteinTalks 工作原理的核心答案。它连接起初始蛋白质组、施加的扰动与后续分子路径，而不是独立分析每一项观察结果。
Arc Institute 的系统生物学家 Hani Goodarzi 在一篇研究分析中强调了规模和时间的重要性。他表示，时间序列可以避免研究人员只能看到彼此脱节的静态图像。
数据类型同样重要。RNA 表明细胞转录了哪些遗传指令，但蛋白质往往更接近实际的细胞行为。
仅凭蛋白质丰度仍无法描述所有相关过程。活性还可能取决于蛋白质修饰、位置、相互作用、降解以及周围组织。
即便如此，重复的蛋白质测量仍能提供单次基线活检无法包含的信息。它们显示特定干预后哪些生物学程序被激活。
研究人员利用这些模式预测药物疗效和协同作用。协同作用是指两种化合物联合产生的效果强于其各自贡献所暗示的水平。
同一框架还考察了潜在的耐药信号。ProteinTalks 使用基于 SHAP 值的可解释性方法，为不同治疗和时间点上的蛋白质赋予不断变化的重要性。
SHAP 用于估计各个输入如何影响模型预测。在这里，它帮助对与预测敏感性或耐药性相关的蛋白质进行排序。
研究人员对包括 AKR1C3 和 TYMS 在内的候选对象进行了实验研究。这些测试为模型识别出的关联增加了生物学验证。
然而，有影响力的模型特征并不自动构成完整的因果解释。一种蛋白质可能追踪耐药性，却属于产生实际效应的更大通路。
这一差异对药物开发至关重要。有用的生物标志物可以改善预测，而治疗靶点则需要关于机制和干预的更强证据。
因此，ProteinTalks 承担两种相关角色。它既是反应预测器，也能生成关于哪些蛋白质值得实验室研究的假设。
第一种角色可以帮助确定实验优先级。第二种角色可将研究人员引向潜在耐药机制，但需要独立验证。
这种结合正是动态蛋白质组学构成纯静态细胞嵌入严肃替代方案的原因。它既提供结局估计，也提供一条与时间相连、可用于解读该估计的路径。
其代价是数据成本。在药物、细胞系、重复实验和时间点之间生成数百万项一致的蛋白质组测量数据，需要广泛的实验室基础设施。
在更大规模转录组数据集上训练的模型可以覆盖更多细胞类型和生物学背景。ProteinTalks 则在更狭窄的实验领域内挖掘得更深。
因此，它的价值取决于这种深度能否迁移。患者活检和类器官实验正是为回答这一问题而设计的。
ProteinTalks 乳腺癌治疗预测面对患者数据
最重要的测试不是又一次细胞系基准测试，而是学到的动态是否能迁移至人类肿瘤材料。
细胞系提供可重复的实验系统，但会适应人工实验室条件。它们也缺少肿瘤内部存在的许多相互作用。
一个模型可能在培养细胞上表现良好，却在患者组织上失效。细胞组成、既往疾病演变和样本处理的差异都可能扰乱迁移。
研究人员评估了来自 501 名 TNBC 患者治疗前肿瘤活检样本中的 3,651 种蛋白质。这些患者后来接受了化疗，为团队提供了可供比较的临床结局。
ProteinTalks 利用基线蛋白质组信息和治疗背景估计患者风险。报告的预测区分了无复发生存和总生存结局不同的群体。
这比将模型应用于另一组细胞系更有意义。它检验了从受控扰动中学习到的表征是否能在临床样本中保留有用信息。
这一结果并不能证明其可用于前瞻性治疗选择。研究人员分析的是既有样本和已知结局，而非依据 ProteinTalks 预测来分配治疗方案。
这一区别将回顾性验证与临床效用区分开来。回顾性结果考察模型是否能在已收集数据中识别信号。
前瞻性试验则考察基于该信号采取行动是否能改善患者结局。它还必须测试安全性、工作流程可靠性、周转时间以及与标准临床判断的比较。
该研究还评估了患者来源类器官。类器官是由患者组织培养出的三维培养物，保留了原始肿瘤的部分特征。
类器官为平面细胞培养与患者之间提供了有用桥梁。研究人员可以让它们暴露于候选药物，而无需让患者接受每一种实验性选择。
据报道，按照所测试的方案，ProteinTalks 在为这些类器官确定候选药物优先级方面优于选定的比较方法。这支持了一种可能的工作流程，用于缩小实验室药物筛选范围。
未来的临床流程可能从患者活检开始。研究人员可以分析其蛋白质，用模型对治疗方案进行排序，并在匹配的类器官中测试领先候选方案。
这一序列将计算速度与实验确认相结合。它可能减少需要进行实体测试的化合物数量，同时保留生物学检查点。
该研究并未表明医院能够常规执行这一流程。培养类器官需要时间，并非每份样本都能成功生长，而蛋白质组制备需要专门系统。
肿瘤在治疗过程中也会演化。基线活检可能遗漏后期出现的耐药状态，或未采样区域与已采样区域之间的差异。
这些局限解释了为何个体化治疗仍是一种方向，而非既定成果。ProteinTalks 已将实验室扰动与人体样本关联起来，但尚未完成临床闭环。
不过，这个由 501 人组成的队列改变了评判这项工作的方式。该模型不再仅由内部技术基准支撑。
该分析考察了基于蛋白质的预测是否与真实患者经历的结局一致。这为未来验证工作提供了一个具体的临床假设。
它还将模型聚焦于 TNBC，在这一领域治疗选择仍然困难。疾病的分子多样性意味着两种表面相似的肿瘤，可能对同一方案产生不同反应。
可靠的 ProteinTalks 药物反应评分，未来或可在无效治疗耗费宝贵时间之前识别这些差异。但在临床医生据此采取行动前，这一前景仍需要前瞻性证据支持。
真正的较量是动态蛋白质组学与静态快照之争
ProteinTalks 不需要取代所有虚拟细胞方法，但它促使这一领域直接表征生物学变化。
虚拟细胞研究涵盖多种相互竞争的数据策略。一些模型使用基因表达，另一些则结合序列、结构、成像、空间信息或机制模拟。
主要的较量并不发生在个别研究实验室之间，而是在围绕静态分子状态构建的模型与基于随时间测得反应训练的模型之间。
静态测量提供了巨大的规模。研究人员可以构建涵盖众多细胞类型、疾病、组织和个体的图谱。
这种广度支持跨情境迁移，也让模型能够从单项专门实验无法捕捉的生物学变异中学习共性模式。
动态扰动数据回答的是另一个问题。它展示了研究人员以受控方式改变系统后发生了什么。
这种干预比单纯观察性关联提供了更强的反应证据。它有助于将药物、不断演化的分子状态和可测量结局联系起来。
ProteinTalks 利用了这一优势，但也接受了覆盖范围较窄的代价。其核心训练项目集中于乳腺癌细胞系和抗肿瘤化合物。
其他模型则沿不同维度扩展。State framework 使用大规模单细胞转录组扰动数据，预测不同细胞环境中的反应。
VirTues 采取空间方法。其空间蛋白质组学模型在多重图像中表征蛋白质、细胞、生态位和组织。
在 TNBC 数据中，VirTues 衍生的生物标志物预测了对化疗-免疫治疗的反应，并对无病生存进行了分层。该模型捕捉了组织结构，而 ProteinTalks 并不直接对此建模。
空间背景之所以重要，是因为肿瘤并不是一个均一的癌细胞容器。免疫细胞、血管、基质组织和相邻细胞状态都可能影响治疗反应。
ProteinTalks 提供时间维度的深度，而 VirTues 提供空间结构。转录组基础模型则可提供更广泛的细胞覆盖。
未来的虚拟细胞可能会结合这些优势。然而，整合会带来棘手的对齐问题，因为每种模态使用的尺度、噪声模式和采样流程各不相同。
临床数字孪生提供了另一条路径。一项基于 MRI 的孪生模型使用 105 名患者的纵向影像数据，对 TNBC 对化疗方案的反应进行建模。
该系统利用影像和数学建模估计肿瘤层面的变化。ProteinTalks 则模拟涉及数千种蛋白质的分子反应。
这些方法面向不同的临床决策。基于影像的孪生模型可以追踪肿瘤体积和治疗时间表，而蛋白质组学模型可帮助区分分子敏感性与耐药性。
一个组合系统或许能将分子层面的药物排序与肿瘤层面的生长预测连接起来。尚无证据表明这种组合能改善患者护理。
这些比较揭示了为何 ProteinTalks 不只是又一个癌症分类器。它要求虚拟细胞研究者展示其模型如何表征干预和不断变化的生物学状态。
它也提出了一个关于适当保真度的实际问题。如果临床医生无法验证或解读其建议，更全面的数字细胞并不会自动更有用。
聚焦型模型可能更早达到可检验的临床任务。ProteinTalks 针对特定癌症场景中的药物反应，使研究人员能够将预测与类器官和患者结局进行比较。
更窄的目标也限制了泛化能力。TNBC 中的成功并不能证明其在肺癌、结直肠癌、胰腺癌或血液系统肿瘤中的表现。
研究人员报告了涉及 5 个非乳腺癌细胞系的迁移实验。这些实验支持技术可移植性，但距离疾病特异性的临床验证仍很遥远。
因此，动态蛋白质组学赢得的是关注，而非整场较量。其下一批结果必须证明，额外的实验负担能否在不同医院和患者群体中带来可靠收益。
88% 的准确率并不能证明什么
这项醒目的准确率衡量的是培养细胞中对未见药物的预测，而非为个体患者成功选择治疗方案。
准确率可能掩盖模型实际预测的内容。这里的 88% 指的是对训练中被排除的 81 种药物的细胞反应分类。
它并不代表最佳疗法被识别出来的患者比例，也不量化模型指导治疗带来的生存改善。
两者差异很大。实验室模型可以区分敏感与耐药细胞，却仍可能面临毒性、剂量、代谢和肿瘤异质性造成的临床失败。
患者还会接受联合治疗和序贯治疗。一种能杀死孤立癌细胞的药物，在免疫相互作用或既往治疗改变肿瘤环境后，可能表现不同。
该研究的患者分析增强了其临床相关性的论据，但它仍属于观察性分析。该模型并未在这项 501 人队列中前瞻性地指导治疗。
回顾性数据集可能包含模型无意间学习到的机构模式。样本处理、治疗选择、疾病严重程度和随访做法，都可能影响表观表现。
因此，独立验证必须纳入新的研究地点和流程。围绕单一研究网络训练或调优的模型，在仪器、人群或临床工作流变化时可能失去准确性。
蛋白质组学测量本身也带来另一项挑战。质谱依赖样本制备、仪器校准、数据处理和质量控制。
在 ProteinTalks 药物反应评分能够支持高风险决策之前，医院需要建立一致的流程。结果必须在不同实验室和技术批次间保持稳定。
周转时间同样重要。在侵袭性疾病进展期间，肿瘤科医生无法无限期等待蛋白质组学分析、模型推理和类器官确认。
模型的可解释性也需要同样谨慎对待。SHAP 值可以表明哪些蛋白质影响了预测，但无法重现完整的生化机制。
研究人员对选定的蛋白质关联进行了实验验证。这是有用的证据，但每一种耐药假设仍需重复验证和机制研究。
该研究还涉及已披露的商业利益。一些作者持有 Westlake Omics 的股份，其他贡献者则任职于 Westlake Omics、DP Technology 或 AiR-Bio Technology。
这些利益关系不会使研究结果失效。但随着该技术接近商业开发，它们让独立重复验证和透明评估显得尤为重要。
该项目通过 ProteomeXchange Consortium 提供原始质谱数据，登录号为 IPX0007409000。其处理后的资源可通过 ProteinTalks 数据库供学术和非商业用途使用。
分析代码也通过研究团队的公共代码库提供。这些资源可帮助外部团队测试模型、复现已报告的基准结果，并审查评估选择。
可重复性是医学部署的必要条件，但并不充分。临床证据必须表明，模型指导的决策优于当前标准，且不会造成不可接受的伤害。
研究人员还必须界定模型的失效模式。一个有用的系统应能识别陌生样本、低质量测量以及不确定性过高的预测。
校准与平均准确率同样重要。临床医生需要知道，置信度评分是否反映了相关患者群体中观察到的成功概率。
人口学和分子层面的代表性也需要检验。TNBC 影响多样化人群，而模型表现可能因血统、年龄、疾病分期和治疗史而异。
这些问题都不会抹杀该研究的成就。它们界定了可信研究平台与临床可靠决策系统之间的差别。
ProteinTalks 通过将学习到的蛋白质动态与人类肿瘤数据进行检验，跨越了一个重要边界。下一个边界需要在受控监督下开展试验，让其建议实际影响患者护理。
三个信号将表明 ProteinTalks 能否进入临床
独立重复验证、前瞻性治疗测试和标准化临床工作流，将决定 ProteinTalks 是否能成为不止一项强劲的研究成果。
第一个信号是独立复现未见药物基准。外部团队应使用新的化合物、细胞系、仪器和实验批次测试该模型。
这项工作应严格区分训练数据和评估数据。它还应将 ProteinTalks 与强大的转录组学、空间模型和传统机器学习基线进行比较。
一致的结果将强化这样一种主张：时间性蛋白质组学增加了可迁移的信息。若性能大幅下降，则可能表明所报告的优势依赖于原始实验环境。
第二个信号是使用患者来源材料进行前瞻性测试。研究人员应分析新的活检样本，在结局已知前对疗法进行排序，并将预测与类器官或临床反应进行比较。
初步的前瞻性观察研究将确定该模型能否跨机构应用。后续的干预性试验则可测试模型指导的治疗是否改善结局。
该试验必须采用具有临床意义的终点。反应率、无进展生存期、无复发生存期、毒性和决策周转时间都可能重要。
它还应将排序表现与治疗可及性区分开来。当模型偏好的化合物不安全、无法获得或不适合患者时，模型无法改善护理。
第三个信号是可复现的临床工作流。研究人员需要证明，医院能够采集组织、定量蛋白质、运行模型，并按时返回可解读的结果。
该流程需要针对活检和质谱的质量标准，也需要版本控制、不确定性报告、审计追踪和处理矛盾证据的程序。
监管审查将检视完整系统，而不只是神经模型。样本处理、软件变更、操作人员培训和临床解读都会影响患者风险。
该模型的聚焦式设计或许有所帮助。与宣称能模拟细胞生命的通用模型相比，一个定义明确的 TNBC 治疗预测任务更容易评估。
然而，范围较窄并不会降低所需证据的标准。它只是让预期用途和验证人群更加明确。
近期最可信的角色或许是研究优先级排序。ProteinTalks 可以在直接指导治疗之前，对实验进行排序、提出组合建议，并识别与耐药相关的蛋白质。
药物开发者可利用这些输出缩小庞大的候选名单。随后，转化研究实验室可在细胞、类器官或动物模型中测试优先选项。
这种由人类监督的工作流程，确保预测与患者暴露之间仍有实验验证环节。它还会生成新的扰动数据，从而改进后续版本的模型。
长期的临床目标要求更高。ProteinTalks 的乳腺癌治疗预测必须证明，动态蛋白质数据能够改变决策，并带来更好的治疗结果。
这一标准可防止出色的基准测试结果演变为缺乏支持的医疗主张。它也将关注点引向患者和临床医生真正需要的证据。
对于 AI 研究人员而言，这项研究传递了一个明确教训：生物学时间是训练数据，而不只是元数据。对于药物开发者而言，它提供了一种为反应实验确定优先级的新方法。
对于肿瘤团队而言，这一结果很有前景，但尚无法直接用于实践。如今正确的问题已不再是 ProteinTalks 能否预测实验室反应。
问题在于，独立团队能否复现这些预测，并在治疗开始前安全地加以使用。请关注下一项前瞻性验证，因为虚拟细胞正是在那里必须面对临床现实。
