当AI第一次读完整本基因之书：能干什么？新智元

十亿参数单细胞基础模型scLong不再只看少数高表达基因，而是把一个细胞里接近 2.8 万个基因 都纳入建模，并结合 Gene Ontology（GO） 的生物学知识，去理解更完整的基因上下文。

在单细胞转录组学领域，研究者希望从每个细胞的基因表达中读出细胞状态、调控关系，甚至预测当某个基因被敲除、某种药物被加入后，细胞会发生什么变化。

过去几年，foundation model（基础模型）开始进入这一领域，显示出强大的迁移能力；但长期以来，现有方法往往为了节省计算，只关注少量高表达基因，忽略了大量低表达甚至零表达基因，同时也缺少对外部基因功能知识的系统整合。这不仅会丢失重要调控信号，也容易让模型对复杂生物过程「只见树木，不见森林」。

近日，MBZUAI、加州大学圣地亚哥分校（UC San Diego）等机构联合团队在 Nature Communications 发表研究成果scLong。

论文链接：https://www.nature.com/articles/s41467-026-69102-y

这是一种拥有10亿参数的单细胞基础模型，基于约4800万个细胞进行预训练，能够在整个人类转录组范围内对约27874个基因建模，并将GO（Gene Ontology） 提供的结构化生物学知识融入模型中。

论文报告显示，scLong在遗传扰动预测、化学扰动预测、癌症药物反应预测、基因调控网络推断等多项任务上，均优于现有单细胞基础模型和多种任务专用模型。

为什么单细胞领域需要一个「更长」的模型？

因为一个细胞并不是只由少数几个「明星基因」决定的。很多现有模型只在约 1500 到 2000 个高表达基因上做 self-attention，这样确实更省算力，但代价是：大量低表达基因被排除在外。

而这些低表达基因虽然「声音不大」，却常常扮演调控开关、信号微调器，甚至在稀有细胞类型、应激反应、疾病进展中发挥关键作用。

换句话说，过去很多模型更像是在读「摘要」，而不是在读「全文」。

另一个问题是，单靠表达矩阵本身，模型未必能真正理解「这个基因是干什么的」。

而Gene Ontology恰恰提供了基因在生物过程（Biological Process）、分子功能（Molecular Function）、细胞组分（Cellular Component）上的结构化知识。过去很多模型主要从数据里「自己悟」，但没有显式利用这些成熟的生物学先验，因此在理解功能关联、调控关系和跨条件泛化时仍然受限。

于是，scLong想做的事情很直接：不仅把基因看全，还要把基因「看懂」。

把一个细胞，读成一整句话

如果用自然语言来打比方，scLong的核心思想很有画面感：把一个细胞的整条基因表达谱，当成一句非常长、非常复杂的话来读。

在这个「句子」里，每个「词」不是普通单词，而是一个 「基因 ID + 表达值」 的组合。模型先用一个表达编码器，把数值型表达量映射成向量；再用一个基因编码器，为每个基因生成带有生物学含义的表示；两者相加后，就得到这个「词」的初始表示。

随后，模型通过上下文编码器，让这些基因彼此「看见对方」，从而学习基因之间在当前细胞中的上下文关系。

这里最有意思的一点是：scLong并没有粗暴地把低表达基因扔掉。 它采用了一个双编码器设计：对高表达基因使用更大的Performer编码器，对低表达基因使用更小的Performer编码器，最后再通过一个full-length Performer把全体基因整合起来。这样既尽量保住了全基因组范围的上下文信息，又在计算量和建模能力之间做了平衡。