谷歌×耶鲁联手发布抗癌神器！AI推理精准狙击「隐身」癌细胞

C2S-Scale基于Google的开源Gemma模型构建，训练语料涵盖超过10亿个Token的转录组数据、生物学文献与元数据，从而使其具备跨维度解析细胞行为的能力。

目前，耶鲁大学的研究团队正在推进AI在其他免疫学情境中生成更多科学预测，这一机制的出现有望加速抗癌新疗法的研发步伐。

研究人员还在bioRxiv上公开了论文的预印本，目前该论文正在经历「同行评审」阶段。

AI不是只懂复现

还可以提出全新发现

C2S-Scale是一款拥有270亿参数、旨在理解单个细胞「语言」的基础模型。

它建立在Gemma模型家族之上，将单细胞分析带入了一个全新的前沿阶段。

C2S-Scale在科学预测方面的成果证明了研究团队在生物学模型上的一项假设：

生物学模型同样遵循明确的模型扩展规律——就像自然语言模型一样，模型越大，在生物学任务上表现越优。

这也引出一个更为关键的问题：更大的模型只是提升了已有能力，还是能够获得全新的推理能力？

模型扩展的真正潜力，在于催生新思路、揭示未知规律，而非仅限于性能的线性提升。

癌症免疫治疗的一大挑战在于许多肿瘤相对于免疫系统而言几乎都是「隐身」的。

让肿瘤「现身」的一个关键是通过抗原呈递（antigen presentation）让它们显示出能触发免疫反应的信号。

研究人员赋予C2S-Scale这样的任务：让它寻找一种「条件性放大剂」，能够在「免疫环境阳性」（Immune-Context-Positive）情况下增强免疫信号。

这一任务需要模型具备复杂的条件推理能力，而这种能力正是大模型随着规模扩大所涌现的特性——较小模型无法捕捉这种依赖环境的效应。

该流程包括：

• 免疫环境阳性（Immune-Context-Positive）：输入真实患者样本，保留肿瘤与免疫系统的交互，并维持低水平干扰素信号；

• 免疫环境中性（Immune-Context-Neutral）：输入缺乏免疫背景的细胞系数据。

免疫环境阳性（Immune-Context-Positive）：输入真实患者样本，保留肿瘤与免疫系统的交互，并维持低水平干扰素信号；

免疫环境中性（Immune-Context-Neutral）：输入缺乏免疫背景的细胞系数据。

研究人员在以上两种环境中对超过4000种药物进行模拟，并要求模型预测哪些药物只会在免疫环境阳性条件下增强抗原呈递，从而更符合临床实际。

结果显示，约有10%–30%的药物在文献中已有报道，这验证了模型的可信度。

而其余候选则是从未被报道过的新发现，这意味着模型不仅复现了已知生物学现象，还发现了潜在的新型免疫协同药物。

新里程碑

AI「抗癌假说」得到验证

C2S-Scale模型发现了激酶CK2抑制剂silmitasertib（CX-4945）具有一种显著的「环境分化效应」：

仅在免疫信号活跃的环境中显著增强抗原呈递，而在免疫中性环境下几乎无效。

这一发现表明模型成功生成了具备实验可验证性的全新生物假设。

在后续的实验阶段，研究人员在人体神经内分泌细胞模型中测试了这一假设，实验显示：

• 单独使用silmitasertib对抗原呈递（MHC-I）影响不显著；

• 低剂量干扰素单独使用仅产生轻微效果；

• 联合使用两者则显著增强抗原呈递，使其提升约50%。

单独使用silmitasertib对抗原呈递（MHC-I）影响不显著；

低剂量干扰素单独使用仅产生轻微效果；

联合使用两者则显著增强抗原呈递，使其提升约50%。

C2S-Scale模型计算机模拟预测多次在体外实验中得到验证。

尽管该研究仍处于早期阶段，这一成果已为新型联合疗法的开发提供了实证依据，并开启了以大模型驱动的生物学发现新范式——科学假设的生成、筛选与验证将日益智能化、系统化。

目前，新的C2S-Scale 27B模型及其相关资源已在Hugging Face全面开放。

地址：https://huggingface.co/vandijklab/C2S-Scale-Gemma-2-27B

也可以在GitHub上访问其代码。

地址：https://github.com/vandijklab/cell2sentence

研究人员希望和更多的人共同探索上述工具，进一步拓展该项研究的成果，让大模型可以解读更多生命语言的奥秘，从而为医疗科技带来全新突破。

参考资料：

https://blog.google/technology/ai/google-gemma-ai-cancer-therapy-discovery/