Gemma模型助力发现癌症治疗新路径

Gemma模型如何帮助发现新的潜在癌症治疗通路

2025年10月15日 · 阅读时间4分钟

推出一个基于Gemma系列开源模型构建的、用于单细胞分析的新型270亿参数基础模型。

今天，作为与某大学研究合作的一部分，发布了Cell2Sentence-Scale 27B（C2S-Scale）——一个旨在理解单个细胞语言的新型270亿参数基础模型。该模型基于Gemma系列开源模型构建，代表了单细胞分析的新前沿。

此次发布标志着人工智能在科学领域的一个里程碑。C2S-Scale生成了关于癌细胞行为的新假设，并且已经在活细胞中通过实验验证证实了其预测。这一发现揭示了一条有前景的、用于开发抗癌疗法的新路径。

本次发布基于今年早些时候的工作，当时证明了生物模型遵循明确的规模法则——与自然语言一样，更大的模型在生物学任务上表现更好。这项工作提出了一个关键问题：更大的模型仅仅是在现有任务上表现更好，还是能够获得全新的能力？规模化的真正前景在于创造新思想、发现未知。

C2S-Scale 27B 的工作原理

癌症免疫治疗的一个主要挑战是许多肿瘤是“冷”的——对人体免疫系统不可见。使它们“热”起来的一个关键策略是通过一种称为“抗原呈递”的过程，迫使它们展示触发免疫的信号。

向新的C2S-Scale 27B模型提出了一项任务：找到一种作为条件性放大器的药物，这种药物仅在特定的“免疫环境阳性”背景下增强免疫信号——该环境中已存在低水平的干扰素（一种关键的免疫信号蛋白），但不足以单独诱导抗原呈递。这需要一定水平的条件推理，这似乎是规模化带来的涌现能力；较小的模型无法解析这种背景依赖效应。

为了实现这一目标，设计了一个双重背景的虚拟筛选来寻找这种特定的协同效应。虚拟筛选包括两个阶段：

• 免疫环境阳性：向模型提供了具有完整肿瘤-免疫相互作用和低水平干扰素信号的真实患者样本。
• 免疫环境中性：向模型提供了无免疫背景的分离细胞系数据。

然后模拟了超过4,000种药物在这两种背景下的效果，并要求模型预测哪些药物仅在第一种背景下增强抗原呈递，从而使筛选偏向于患者相关环境。在模型突出显示的众多候选药物中，有一部分（10-30%）已在现有文献中已知，而其余药物则是令人惊讶的、之前与筛选无关的新发现。

从预测到实验验证

模型的预测是清晰的。它识别出一种名为silmitasertib（CX-4945）的激酶CK2抑制剂出现了显著的“背景分裂”。模型预测，在“免疫环境阳性”背景下应用silmitasertib时，抗原呈递会显著增强，而在“免疫环境中性”背景下则几乎没有效果。这一预测令人兴奋之处在于它是一个新颖的想法。尽管CK2已被证明参与多种细胞功能（包括作为免疫系统的调节剂），但文献中尚未报道通过silmitasertib抑制CK2来明确增强MHC-I表达或抗原呈递。这突显了模型正在生成一个可检验的新假设，而不仅仅是重复已知事实。

然而，预测只有在能够通过临床应用验证时才有价值。真正的考验首先在实验室，最终在临床。

在项目的下一阶段，将该假设带到实验室工作台，并在人类神经内分泌细胞模型（模型在训练期间完全未见过的细胞类型）中进行测试。实验证明：

• 仅用silmitasertib处理细胞对抗原呈递（MHC-I）没有效果。
• 仅用低剂量干扰素处理细胞产生轻微效果。
• 同时用silmitasertib和低剂量干扰素处理细胞，产生了显著的协同增强抗原呈递效应。

值得注意的是，在实验室测试中，silmitasertib与低剂量干扰素的组合使抗原呈递增加了约50%，这将使肿瘤更容易被免疫系统识别。

模型的计算机模拟预测在体外多次得到证实。C2S-Scale成功识别出一种新型的、干扰素条件性的放大器，揭示了一条使“冷”肿瘤变“热”的新潜在途径，并可能使肿瘤对免疫治疗更具反应性。虽然这只是早期第一步，但它为开发新的联合疗法（即同时使用多种药物以实现更强效的效果）提供了一个有力的、经实验验证的先导。

这一结果也为一种新型的生物发现提供了蓝图。它表明，通过遵循规模法则并构建像C2S-Scale 27B这样更大的模型，可以创建足够强大的细胞行为预测模型，以运行高通量虚拟筛选、发现背景条件性生物学机制，并生成有生物学依据的假设。

某大学的研究团队目前正在探索此处揭示的机制，并在其他免疫背景下测试更多由AI生成的预测。经过进一步的临床前和临床验证，此类假设最终可能加速新疗法的问世。

开始使用 C2S-Scale 27B

新的C2S-Scale 27B模型及其资源现已向研究社区开放。邀请研究者探索这些工具，在此工作基础上继续前进，共同翻译生命的语言。

阅读bioRxiv上的完整科学预印本。

在Hugging Face上探索模型和资源。

在GitHub上访问代码。FINISHED