这两年肿瘤研究领域最让人头疼的问题之一不是数据不够多而是数据太“散”。基因表达、蛋白丰度、单细胞转录组、病理切片、空间转录组每一种数据都来自不同的技术平台分辨率不同样本来自不同医院、不同队列、不同批次。研究者手里握着几十张“局部地图”却很难拼出一张完整的“肿瘤作战地图”。最近 Nature 上发表的一项工作方向就是解决这个问题的用一个基础模型把蛋白、细胞、肿瘤微环境三个尺度串起来构建一张跨尺度、跨队列的虚拟地图。这个思路不是简单地把多个模型拼在一起而是先把所有生物实体映射到同一个表征空间再在这个空间里做统一推理。它真正改变的不是某个指标而是肿瘤数据建模的基本方式。这篇文章会沿着“它解决了什么问题—底层原理是什么—架构怎么设计—如果要复现该怎么做—常见坑在哪里”这条线展开。如果你是做 AI for Science、多组学数据分析或者肿瘤生信的研究者这篇文章能帮你理解这类跨尺度基础模型的技术框架也提供一套可以落地的复现思路。1. 先搞清楚这篇 Nature 工作到底解决了什么问题1.1 传统肿瘤数据分析的逻辑哪里出了问题过去做肿瘤相关数据建模最常见的方式是“一个任务训一个模型”。要做生存分析就把临床特征和基因表达拼成一个特征矩阵训练一个 Cox 模型要做细胞类型注释就单独跑一个单细胞分类器要研究蛋白互作又得单独建一套蛋白网络。每个步骤都是独立的特征格式不同、归一化方式不同、样本集不同结果就是蛋白信息无法直接帮助单细胞聚类细胞状态无法回溯到它所在的微环境一个队列里训出来的模型换到另一个队列经常失效组学数据之间只能做相关性分析很难做真正的联合推理。这种“分而治之”的做法在数据量小的时候没问题但到了多队列、多平台、多模态的时代它成了瓶颈。1.2 基础模型带来的是“先理解再推理”这篇 Nature 工作最关键的一点是把自然语言处理和计算机视觉里的基础模型范式搬到了肿瘤微环境研究里。所谓基础模型不是针对某个下游任务训练的专用模型而是先在大规模、多样化的数据上做自监督预训练学习生物实体的通用表征。预训练完成后再通过少量微调或者零样本方式去适配不同下游任务。放到这个场景里就是模型先在大量蛋白序列、单细胞表达谱、组织切片数据上学习“蛋白长什么样”“细胞处于什么状态”“微环境里细胞和细胞之间是什么关系”。学完之后不管是预测患者预后、判断药物响应还是发现新的细胞亚群都只是在同一个“虚拟地图”上做查询而不是重新训练一个模型。这个转变的直观类比是以前是每到一个城市就买一张新地图现在是先用全球卫星把所有地方拍一遍建一套统一坐标系之后你去任何城市只需要在上面标记位置。1.3 这篇工作的定位与边界从公开发表的信息来看这篇工作的核心产物是一个跨尺度、跨队列的虚拟地图。它连接了蛋白、细胞和肿瘤微环境三个层级并且把不同队列的数据统一到同一套表征空间。需要强调的是它并不是要取代传统的统计方法也不是说所有下游任务都必须用它。它真正擅长的是跨队列迁移在一个队列上理解到的规律能迁移到另一个队列跨尺度联合把蛋白层面的信号和细胞层面、组织层面的信号放在一起推理零样本/少样本推理对罕见细胞类型、罕见肿瘤亚型不需要大量标注样本也能给出合理判断。它的边界也很明显基础模型的质量高度依赖预训练数据的覆盖度和质量如果某个蛋白在预训练数据里几乎没有出现模型对它的理解就会比较弱。另外模型的可解释性仍然是个大问题这一点在生物学场景里尤其敏感。2. 三个尺度和一个统一目标蛋白、细胞、肿瘤微环境要理解这张“虚拟地图”首先要理解它连接的三类数据以及为什么这三类数据以前很难放一起建模。2.1 蛋白尺度序列决定功能但序列又不能代表一切蛋白是执行生物学功能的最小功能单元。传统做法是用蛋白序列做多序列比对、做结构预测、做功能注释。基础模型的做法是直接用大规模预训练语言模型从序列里学习表征比如把蛋白序列看成“句子”把氨基酸看成“词”通过掩码语言建模让模型学会蛋白序列的上下文规律。这种蛋白表征有一个特点它能捕捉到进化上保守的语义信息。哪怕两个蛋白序列相似度不高只要它们的功能域或结构模式相似表征空间中它们的距离就会比较近。但要注意蛋白尺度只是起点。同一个蛋白在不同细胞类型、不同微环境下表达水平、修饰状态、空间位置都可能不同。所以光有蛋白序列信息无法回答“这个蛋白在这个肿瘤里到底做了什么”这类问题。2.2 细胞尺度状态比类型更关键单细胞测序技术让我们能在单个细胞分辨率上观察转录组但单个细胞的基因表达矩阵非常稀疏技术噪声很大。更重要的是“细胞类型”这个标签其实是一个简化概念。一个巨噬细胞在肿瘤缺氧区域和在外周血里状态完全不一样同一个细胞亚群在不同患者之间也可能存在状态差异。所以一个好的细胞表征不能只回答“这是什么细胞”还要回答“这个细胞现在处于什么状态”。这就需要用自监督或者半监督的方式学习细胞状态表征而不是简单地做一个分类任务。从架构上看这一步通常会用到图神经网络或者 Transformer在细胞-基因图上建模上下文关系。细胞不是孤立的它的状态受到周围细胞和微环境信号的影响因此细胞表征必须感知邻域信息。2.3 组织/微环境尺度位置关系决定生态肿瘤微环境是一个生态。里面有肿瘤细胞、免疫细胞、成纤维细胞、血管内皮细胞它们之间的空间排列、接触频率、配体-受体互作决定了肿瘤是“热”还是“冷”决定患者对免疫治疗有没有响应。空间转录组和病理切片能提供这种空间信息但这类数据通常维度更高、噪声更大、批次效应更严重。如何把一块组织切片的图像特征和单细胞转录组特征对齐到同一个空间是跨尺度建模里最困难的部分。微环境尺度建模的常见做法是把组织划分成多个区域每个区域用一个图表示节点是细胞边是细胞之间的空间邻接关系。然后在这个图上做图级别或者节点级别的表征学习。这样一个组织的“虚拟地图”就变成了一个带空间坐标的图结构。2.4 跨队列对齐为什么数据集一换就“崩”跨队列研究中最常见的问题是批次效应。同样是三阴性乳腺癌TCGA 队列和某个单中心队列的转录组数据在降维可视化里可能完全分开不是因为生物学差异而是因为测序平台、样本处理流程、批次不同。传统做法是用 ComBat、Harmony 这类工具先做批次校正再把数据喂给下游模型。但基础模型的做法不一样它直接在预训练阶段就通过对比学习把不同队列的样本对齐到同一套表征空间。也就是说队列差异不再是一个需要预处理解决的“脏数据问题”而是模型训练时需要显式建模的干扰因素。3. 跨尺度基础模型的整体架构拆解从技术实现上看这类工作通常包含四个层面表征层、关系建模层、对齐层、下游任务层。理解这个分层对复现和理解论文都很有帮助。3.1 表征层每种模态先独立编码表征层的目标是得到每个生物实体蛋白、细胞、组织区域的向量表示。不同模态用的编码器完全不同蛋白序列用蛋白质语言模型如 ESM 系列编码单细胞表达谱用全连接网络或 Transformer 编码先做对数归一化再映射到隐空间组织切片用 CNN 或 ViT 编码每个 patch 编码后聚合出一种“组织指纹”空间转录组则在细胞嵌入基础上加入空间坐标信息。这一层的输出是多个模态各自独立的特征向量还没有做跨模态融合。3.2 关系建模层把实体之间的交互画出来得到实体向量之后需要建模它们之间的关系。关系建模是“虚拟地图”的核心因为地图的价值不在于标注了每个建筑而在于画清楚了道路和街区。蛋白之间的交互可以通过蛋白互作网络来建模细胞之间的关系可以通过空间邻接图来建模蛋白和细胞之间的关系可以通过配体-受体对、表达相关性和共定位来建模。这些关系会构成一个异构大图节点类型包括蛋白、细胞、组织区域边类型包括“共表达”“空间相邻”“序列同源”等。关系建模层通常是一个图 Transformer 或者异构图神经网络在图上不断做消息传递让节点的表征融合邻居信息。这一步之后蛋白向量不再是单纯的序列表征而是包含了它在特定组织环境中可能的角色细胞向量也不再是孤立的转录组特征而是带有微环境上下文的状态表征。3.3 对齐层用对比学习统一坐标系对齐层是“跨尺度、跨队列”的关键。假设我们想让蛋白表征和细胞表征在同一个向量空间里可比就需要一个训练目标来拉近它们。最常见的手段是对比学习。比如一个蛋白和它高表达的细胞应该是“正样本对”在表征空间中距离要近和它不表达的细胞应该是“负样本对”距离要远。通过这种约束模型逐渐学会把不同模态的表征投到同一个坐标系下。队列对齐也可以用对比学习实现同一个患者或者同一个生物学状态的样本在不同队列中的表征应该尽量一致不同状态的样本表征应该尽量分开。3.4 为什么不建议直接拼一个大号图神经网络这里真正容易踩坑的地方是很多人看到跨尺度建模第一反应是直接构造一个大图把蛋白、细胞、组织全部塞进一个图里用 GAT 或者 GIN 强行训练。这样做有三个问题计算量爆炸。一个组织切片里的细胞数量可以到百万级全组织构图在显存上根本撑不住信息干扰。蛋白、细胞、组织切片的数据分布差异太大直接用同一套 GNN 卷积核处理容易让某一模态主导训练迁移困难。图结构高度依赖某一批样本的空间坐标换一个队列后图结构完全不同模型很难复用。从材料看这类工作的设计通常更克制先做模态内编码再做模态间对齐最后才在浅层做关系融合。这种“先独立、再对齐、后融合”的分层思路比一开始就上大图模型要稳健得多。4. 如果要复现这类工作环境与数据怎么准备市面上还没有完全开源的复现版本但我们可以按照论文描述的框架搭一个最小可运行的跨尺度模型。下面是准备工作。4.1 数据怎么组织你需要至少三类数据蛋白质数据可以是蛋白序列 FASTA 文件也可以是蛋白表达矩阵。如果做序列嵌入准备 FASTA 文件单细胞转录组数据建议使用 10X 格式的矩阵数据包含基因表达矩阵和细胞元数据微环境/空间数据至少需要病理切片图像或者空间转录组坐标数据用于构建细胞邻域图。如果暂时拿不到空间数据也能跑通流程只需要把微环境层降级为“基于细胞类型的统计特征”但这样会丢失位置信息下游效果会打折扣。4.2 依赖环境版本以实际项目为准这里给出推荐环境组合Python 3.10 PyTorch 2.0 transformers 4.30 scanpy 1.9 torch-geometric 2.3 lifelines 0.27建议用 conda 创建一个独立环境避免污染系统 Pythonconda create -n cross-scale python3.10 conda activate cross-scale pip install torch --index-url https://download.pytorch.org/whl/cu118 pip install scanpy torch-geometric transformers lifelines pandas scikit-learn4.3 训练集和验证集必须按患者拆分复现这类工作最大的坑就是数据泄漏。同一个患者的多个样本如果一部分进训练集、一部分进验证集模型会通过患者 ID 泄漏信息导致验证指标虚高跨队列却崩掉。正确做法是用GroupShuffleSplit按患者 ID 分组切分。from sklearn.model_selection import GroupShuffleSplit import pandas as pd meta pd.read_csv(cohort_meta.csv) splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(splitter.split(meta, groupsmeta[patient_id])) train_meta meta.iloc[train_idx] val_meta meta.iloc[val_idx] print(ftrain patients: {train_meta[patient_id].nunique()}) print(fval patients: {val_meta[patient_id].nunique()})这一步建议在任何数据预处理之前就完成而不是先做全数据集归一化再切分否则仍然存在特征泄漏。5. 最小复现从蛋白序列到细胞状态再到微环境表征下面给出一套最小实现框架。它的目标是帮你理解跨尺度模型的工作流程而不是直接达到论文效果。5.1 蛋白序列嵌入先用公开的蛋白质语言模型把蛋白序列编码成向量。ESM 系列是社区里常见的公开模型具体模型名以你手上的环境和版本为准。# 文件路径embed_protein.py from transformers import AutoTokenizer, AutoModel import torch # 以公开的 ESM 系列为例实际模型名请以官方版本为准 model_name facebook/esm2_t33_650M_UR50D tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModel.from_pretrained(model_name) sequences [ MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ, MELRVGNRYRLGRKIGSGSFGDIYL ] inputs tokenizer(sequences, paddingTrue, return_tensorspt) with torch.no_grad(): outputs model(**inputs) protein_emb outputs.last_hidden_state.mean(dim1) print(protein embedding shape:, protein_emb.shape)这里用平均池化把每个蛋白的 token 级隐状态压缩成一个向量。如果想进一步增强可以改成对 attention 权重加权求和或者使用[CLS]位置的输出具体取决于模型结构。5.2 细胞状态嵌入对单细胞数据先用 scanpy 做标准预处理再用一个自编码器或者全连接网络把细胞映射到隐空间。# 文件路径embed_cell.py import scanpy as sc import torch import torch.nn as nn adata sc.read_h5ad(single_cell_data.h5ad) sc.pp.normalize_total(adata, target_sum1e4) sc.pp.log1p(adata) sc.pp.highly_variable_genes(adata, n_top_genes2000) x adata[:, adata.var[highly_variable]].X.toarray() x torch.tensor(x, dtypetorch.float32) class CellEncoder(nn.Module): def __init__(self, in_dim, hidden_dim512, out_dim256): super().__init__() self.net nn.Sequential( nn.Linear(in_dim, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, out_dim), ) def forward(self, x): return self.net(x) encoder CellEncoder(in_dimx.shape[1]) cell_emb encoder(x) print(cell embedding shape:, cell_emb.shape)这个编码器是可训练的后续要和蛋白表征一起通过对比学习更新参数。5.3 跨尺度对比学习模型接下来定义跨尺度融合模型。这里用一个简单思路蛋白和细胞分别投影到同一个低维空间再做余弦相似度匹配。正样本对可以是“高表达的蛋白-细胞”负样本对则随机采样。# 文件路径cross_scale_model.py import torch import torch.nn as nn class CrossScaleModel(nn.Module): def __init__(self, protein_dim1280, cell_dim256, hidden_dim256, out_dim128): super().__init__() self.protein_proj nn.Sequential( nn.Linear(protein_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, out_dim), ) self.cell_proj nn.Sequential( nn.Linear(cell_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, out_dim), ) def forward(self, protein_vec, cell_vec): p nn.functional.normalize(self.protein_proj(protein_vec), dim-1) c nn.functional.normalize(self.cell_proj(cell_vec), dim-1) return p, c model CrossScaleModel() optimizer torch.optim.Adam(model.parameters(), lr1e-4)这里没有直接把组织图引进来。你可以先跑通蛋白-细胞对齐再把图的邻接矩阵作为额外的正则项加入 loss逐步扩展。5.4 一个简单的训练循环# 文件路径train.py import torch import torch.nn.functional as F def contrastive_loss(p, c, temperature0.5): logits torch.matmul(p, c.T) / temperature labels torch.arange(p.size(0)) loss (F.cross_entropy(logits, labels) F.cross_entropy(logits.T, labels)) / 2 return loss for epoch in range(20): model.train() p_vec torch.randn(32, 1280) # 实际用蛋白编码器输出 c_vec torch.randn(32, 256) # 实际用细胞编码器输出 p_emb, c_emb model(p_vec, c_vec) loss contrastive_loss(p_emb, c_emb) optimizer.zero_grad() loss.backward() optimizer.step() print(fepoch {epoch 1}, loss: {loss.item():.4f})这个示例省略了数据加载和正样本对的构建但核心思路是清楚的让蛋白和细胞的表征在同一个空间里对齐通过对比学习的约束把“蛋白-细胞关系”编码进向量。6. 怎么验证“虚拟地图”真的有效一个跨尺度模型最大的风险是“看起来很好但其实只是记住了批次效应”。因此验证环节比训练还要重要。6.1 先做下游任务验证虚拟地图是否有效不能只看重建误差要看下游任务表现。常用验证任务包括细胞类型注释用模型输出的细胞表征做 KNN和专家注释对比蛋白-细胞关联检索给定一个蛋白看模型能否从大量细胞中检索到对应的高表达细胞亚群患者分层基于微环境表征聚类看分组是否和生存差异一致药物响应预测用微环境表征预测体外药敏数据看 AUC 是否显著高于随机。6.2 消融实验是判断架构合理性的关键要证明“跨尺度”真的有用而不是靠堆参数量刷出来的需要做三个方向的消融去掉蛋白表征只用单细胞表达谱效果下降多少去掉微环境图结构只做细胞-蛋白对齐效果下降多少去掉跨队列对比学习目标只做简单的批次校正跨队列效果下降多少。如果去掉某一层后效果几乎不变说明这一层在你的数据上是冗余的该简化就简化。6.3 跨队列迁移测试训练完成后最重要的验证是把模型在队列 A 上训练直接在队列 B 上做零样本评估看表征是否还有判别力。这时候可以用一个简单的分类器评估。比如在训练队列的细胞表征上训练一个逻辑回归然后把队列 B 的细胞表征送入同一个分类器看准确率是否明显高于随机。另一种思路是画 UMAP 可视化检查不同队列的样本是否混合在一起。如果队列 B 的样本在 UMAP 上形成完全独立的一簇说明模型只是记住了队列差异并没有学到通用的生物学规律。6.4 临床相关验证如果数据中包含生存信息可以做生存分析验证。风险分数可以直接用微环境表征套一个 Cox 模型得到然后用 C-index 评估。from lifelines.utils import concordance_index import numpy as np # pred_risk: 每个患者的风险分数 # durations: 患者的生存时间 # events: 是否观察到事件 c_index concordance_index( durations, -pred_risk, events ) print(C-index:, c_index)注意这里concordance_index的第二个参数是风险分数第三个参数是事件标签。具体用法以实际需求为准核心是看排序一致性风险分数越高的患者理论上生存时间应该越短。7. 常见问题与排查思路跨尺度模型涉及面广代码和数据环节出问题的概率很高。下面把常见问题整理成一张排查表。问题现象可能原因排查方式解决方案训练 loss 下降缓慢正样本对构建不合理检查蛋白与细胞的对齐关系是否过于稀疏增加样本对数量或改用半监督方式生成正样本跨队列验证效果差队列批次效应没有被模型吸收可视化训练集和验证集表征分布在 loss 中加入领域对抗约束或增大预训练数据多样性显存不足全组织构图导致邻域过大检查 torch-geometric 的邻居采样方式改用 GraphSAGE 采样限制每层邻居数量蛋白序列长度过长token 数超模型上限检查输入的蛋白序列长度分布截断或按结构域切分而不是直接截断到固定长度验证集指标高于测试集很多训练/验证切分泄漏检查是否按患者 ID 分组切分使用 GroupShuffleSplit 重新切分细胞向量全部坍塌到一点对比学习负样本太少或温度过低查看嵌入向量的标准差增大负样本数温度调到 0.1 附近数据矩阵稀疏且不均衡高变基因选择不合适检查高变基因数量与表达分布调整 n_top_genes必要时做分库归一化这里面最值得警惕的是第一条和第三条。蛋白-细胞正样本对的定义直接决定模型学到的生物学含义而邻域构建方式直接决定微环境表征的质量。8. 工程落地与最佳实践8.1 数据版本与元数据管理跨尺度建模依赖大量异构数据数据版本混乱会导致实验结果无法复现。建议每个数据集都配套一个元数据文件至少包含样本所属队列、患者 ID、组织部位测序平台、批号、样本处理日期是否属于训练集、验证集或测试集数据预处理版本如参考基因组版本、过滤阈值。用 DVC 或者 Hugging Face Datasets 管理数据版本比在本地文件夹里堆.csv文件可靠得多。8.2 可复现性配置训练脚本里必须固定随机种子并导出运行环境信息import random import numpy as np import torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark False set_seed(42)同时建议把pip freeze requirements.txt在每次实验后执行一次保留完整的环境快照。8.3 可解释性优先于拟合指标在生物医学场景模型“可解释”往往比“准确”更重要。不能只输出“这个患者风险高”还得能回答“为什么风险高、是哪些蛋白或者哪些细胞群导致的”。建议在模型里预留接口输出 attention 权重或者梯度的 top-k 特征。尤其在肿瘤微环境场景你往往需要回溯到最关键的细胞亚群和空间区域才能让临床研究者信任这个模型。8.4 计算资源与分布式训练跨尺度模型如果做到全规模显存消耗会很大。建议按照“蛋白编码器固定、细胞编码器微调、图模块单独训练”的顺序分阶段训练不需要一次性把三个模块端到端全部同时训练。如果单卡放不下可以考虑蛋白编码器产出特征后离线保存不参与端到端反向传播使用梯度累积模拟更大的 batch使用混合精度训练AMP可以显著减少显存占用。8.5 伦理与合规提醒涉及患者数据的项目必须确保数据来源合法合规。任何数据使用都应有授权和数据使用协议不能因为实验方便就绕过伦理审批。涉及隐私数据时应该做去标识化处理并且只保留任务必需的最小字段。9. 总结与后续学习方向这篇 Nature 工作最有价值的贡献不是某个模型结构上的个别创新而是把基础模型的范式系统性地引入了肿瘤微环境研究先在大规模多模态数据上构建统一表征空间再让下游任务在这个空间上做推理。这种“先建地图再导航”的思路会比传统的“一个任务一个模型”更适合处理多队列、多模态的复杂生物学数据。对于想深入这个方向的开发者建议按下面顺序补基础先掌握单细胞数据分析基础能用 scanpy 完成标准预处理理解对比学习的基本原理尤其是 InfoNCE 这类 loss 以及正负样本对的影响读一下蛋白质语言模型的代表性工作理解序列表征和结构表征的差异再回来读这篇 Nature 论文重点关注方法部分如何定义蛋白-细胞-微环境的对齐关系最后用公开数据集跑通一个最小例子再做消融和跨队列验证。在复现这类模型时我的建议是不要急着追求和论文完全一样的指标。先构建一个能跑通的最小链路验证数据切分是否合理、表征是否学到了生物学信号、跨队列是否能迁移。这些基础打牢之后再逐步增加模型规模和数据规模。跨尺度建模的难点从来不只是模型架构更是数据理解、实验设计和对生物学问题的把握。