将 ScienceAI 设为星标
第一时间掌握新鲜的 AI for Science 资讯
作者丨论文团队
编辑丨ScienceAI
构建全面的细胞图谱以理解细胞多样性，是细胞生物学研究的核心愿景。传统的细胞注释依赖少量标记基因，但面对更深入的开放性问题时，往往需要探索更大范围的基因及潜在关联。现有基础模型为权衡计算效率，常在建模前限制分子信息的使用范围。如何在兼顾计算效率的同时保留全部分子信息，成为亟待解决的难题。
近日，湖南大学曾湘祥团队联合厦门大学、电子科技大学等机构提出 CellNet，探索将转录组表示为图像的新路径：利用 DNA 编码与非编码基因身份，将表达数据组织为图像，通过图像块聚合降低全景转录组建模的计算成本。主体预训练在 8 张 A800 GPU 上耗时约两周完成。
研究同步开放了覆盖 40 个物种、约 2.31 亿张细胞的 Image Atlas，并提供配套基因词表、测量掩码与已拟合映射，为该方向提供可复用的数据底座。基于此训练的 CellNet 展现了在细胞身份与状态识别、未输入基因表达预测，以及非编码 RNA 相关基因程序检索方面的卓越能力。
论文链接：https://arxiv.org/abs/2610.21943
项目网站：https://cellnet.top/
单细胞研究亟需 ImageNet 式的基础资源
正如 ImageNet 为计算机视觉奠定了大规模数据基础，单细胞领域也迫切需要类似的共享资源。随着细胞图谱的扩展，研究者不仅关注细胞类型的命名，更致力于解析同种细胞的功能差异、发育过程中的分子程序变化等深层问题。
此类问题没有固定的基因清单。面向多任务的基础模型需应对识别新细胞状态、预测未观测表达或查询冷门非编码 RNA 等动态需求。随着 VASA-seq、TotalX 等全 RNA 测量技术的普及，非编码 RNA 进入研究视野，但逐基因分配 Token 的方式导致计算压力剧增，且不同来源数据的整理成本高昂。
因此，单细胞研究需要的不仅是数据，更是规模化的可行组织方式。Image Atlas 旨在提供可复用的数据底座，让全景转录组建模拥有统一的数据起点，支持新方法与新问题的快速探索。
从 DNA 到图像：实现高效全景建模
CellNet 的核心创新在于利用 DNA 序列建立基因的身份表示。无论是编码还是非编码基因，均可追溯至 DNA 序列，这为统一表示不同类别基因及查询未参与预训练的基因奠定了基础。
研究基于 DNA 来源的基因表示，构建了物种特异的二维布局。在同一物种中，每个基因拥有固定的像素位置，细胞表达值填入对应位置即形成“转录组图像”。测量掩码则有效区分了“零表达”与“未测量”。
模型进一步将图像划分为图像块，聚合块内多个基因的身份与表达。这种设计使大量基因能共同参与上下文建模，而无需各自占据全局 Token，显著提升了训练效率。相比 UCE 模型在 3,600 万细胞上使用 24 张 A100 训练 40 天，CellNet 在 2.31 亿细胞上仅使用 8 张 A800 训练约两周。
通过开放包含约 2.31 亿张图像、40 个物种及百万级基因身份的 Image Atlas，研究者为社区提供了减少重复数据组织工作的基础设施。
DNA 基因身份、图像表示与模型学习示意图
从细胞差异深入分子程序解析
基于 Image Atlas，CellNet 通过多遮蔽视图学习细胞表征，并结合目标基因的 DNA 身份与细胞上下文预测表达。研究围绕四个关键生物学问题验证了模型能力。
精准识别细胞身份、稀有群体与状态
细胞多样性体现在类型与状态两个维度，低丰度群体的识别尤为关键。在人类肾脏和肺的独立图谱测试中，CellNet 在稀有类别（如肾脏肥大细胞、壁层上皮细胞等）的 Macro-F1 指标上优于其他七套流程。在 CD4 T 细胞极化与 WI-38 成纤维细胞衰老实验中，模型也能准确区分不同条件下的转录状态，为后续分子变化分析提供精准起点。
细胞身份、稀有群体与状态识别效果
突破输入限制，预测未观测基因表达
针对靶向空间测量中基因面板范围受限的问题，CellNet 可将目标基因作为查询，结合已观测表达推断目标表达。在 TotalX 免疫细胞与发育脑数据中，冻结的 CellNet 在编码基因补全测试中的预测相关性优于四个对比模型；即使仅以编码基因为输入，也能保留 NEAT1、MEG3 等非编码 RNA 的表达模式。
在小鼠脑 Xenium 数据中，模型在不输入空间坐标的情况下，成功恢复了 Slc17a7、Gad1 等神经元与胶质细胞标志基因的空间表达模式。这使得研究者能围绕原有输入之外的候选基因，探索其与细胞身份、状态的联系。
编码与非编码基因表达预测及空间表达模式
追溯分子线索，解析基因程序关联
模型不仅能预测表达，还能揭示预测所依赖的分子线索。例如，在单核细胞中，预测编码基因 CST3 主要依赖抗原呈递相关 RNA（如 CD74），而预测长非编码 RNA NEAT1 则依赖应答相关 RNA（如 DUSP1）。这种可解释性帮助研究者围绕特定基因提出关于其功能程序的可检验假设。
预测所依赖的 RNA 输入及相关分子程序
连接稀疏非编码 RNA 与基因程序
许多非编码 RNA 检出率低，传统相关性分析难以获得清晰线索。CellNet 结合基因身份与细胞上下文，支持以这些 RNA 为查询检索相关基因组合。在已知非编码 RNA 模块测试中，模型在前 20 个候选中找回 15 个已知成员，远超传统方法的 4 个。在人类神经诱导实验中，即便 SERTAD4-AS1 仅在极少数细胞中被检出，模型仍能检索到 WNT5B、DLK1 等神经干细胞相关程序基因。这为非编码 RNA 的功能实验设计提供了新路径。
跨 RNA 类别的分子关联与非编码 RNA 相关程序
结语：构建可生长的研究基础
理解细胞多样性是一个不断产生新状态、新分子和新需求的过程。Image Atlas 提供的可复用数据底座，以及 CellNet 展示的结合 DNA 与图像的全景转录组建模可行性，将这条技术路线延伸至细胞表征、表达预测与分子程序分析。
2.31 亿张转录组图像的开放，不仅是一套静态数据，更是一个可继续生长的研究基础：让新的方法有数据可用，让新的生物学问题有分子可查，最终推动从计算预测到功能实验的闭环研究。