腾讯发表最新Nature子刊论文：推出AI大模型，从单细胞转录组翻译单细胞蛋白质组

在单细胞水平上测量蛋白质丰度，有助于从高分辨率角度理解细胞过程和疾病进展中的生物学机制。然而，当前的单细胞蛋白质组学技术面临着诸如覆盖范围有限、通量和灵敏度受限、批次效应、成本高昂以及实验操作严格等挑战。

2025 年 11 月 5 日，腾讯 AI Lab 姚建华、杨帆，及香港城市大学黄嘉俊等，在 Nature 子刊 Nature Biomedical Engineering 上发表了题为：A pre-trained large generative model for translating single-cell transcriptomes to proteomes 的研究论文。

该研究开发了一种预训练大型生成模型——scTranslator（单细胞翻译器），能够基于单细胞转录组推断缺失的单细胞蛋白质组，从而生成多组学数据。

受自然语言处理（NLP）以及遗传中心法则中的翻译过程的启发，研究团队提出了一种名为单细胞翻译器（single-cell translator，scTranslator）的预训练大型生成模型（pre-trained, large generative model）。scTranslator 能够通过单细胞转录组推断缺失的单细胞蛋白质组，从而生成多组学数据。

通过在独立数据集上进行系统的基准测试和验证，研究团队确认了 scTranslator 在各种谱型技术（例如 CITE-seq、spatial CITE-seq、REAP-seq、NEAT-seq）、细胞类型（例如单核细胞、巨噬细胞、T 细胞、B 细胞）、组织（例如血液、肺、脑）以及包括感染、代谢和肿瘤在内的广泛疾病背景下的准确性、稳定性和灵活性。

此外，scTranslator 在辅助各种下游分析和应用方面展现出其优越性，包括基因/蛋白质相互作用推断、干扰预测、细胞聚类、批次校正以及泛癌数据中的细胞起源识别。