Gemma模型如何帮助发现新的潜在癌症治疗通路

# Gemma 模型如何帮助发现新的潜在癌症治疗路径 来源：https://blog.google/innovation-and-ai/products/google-gemma-ai-cancer-therapy-discovery/ 我们正在推出一个基于 Gemma 开放模型系列构建的、用于单细胞分析的 270 亿参数基础模型。 Bryan Perozzi 高级研究员，图挖掘，Google Research ## 总体摘要 Google DeepMind 和耶鲁大学共同创建了 C2S-Scale，这是一个基于 Gemma 开放模型系列构建的新模型。该模型识别出一种药物组合，可能使肿瘤对免疫系统更可见，从而提供了一种新的癌症治疗方法。研究人员现在可以访问该模型和相关资源，在此基础上进行进一步研究。 摘要由 Google AI 生成。生成式 AI 处于实验阶段。 ## 要点 - 本文讨论了 C2S-Scale，这是一个帮助发现潜在癌症治疗路径的新 AI 模型。 - 基于 Google 的 Gemma，C2S-Scale 预测了一种药物组合，可以增强“冷”肿瘤中的免疫信号。 - 实验室测试证实了模型的预测：silmitasertib 和干扰素可放大抗原呈递。 - 这一发现为让肿瘤对免疫系统更可见提供了一种新方法。 - C2S-Scale 模型和相关资源现已提供给研究人员探索和在此基础上发展。 摘要由 Google AI 生成。生成式 AI 处于实验阶段。 #### 探索其他风格： 一张深蓝黑色抽象幻灯片，中心有一个大的、模糊的类细胞结构。文字“Cell2Sentence Scale 27B”为白色。右下角可见“Gemma”字样。 今天，作为我们与耶鲁大学 (https://www.vandijklab.org/) 研究合作的一部分，我们发布了 Cell2Sentence-Scale 27B (C2S-Scale) (https://www.biorxiv.org/content/10.1101/2025.04.14.648850)，这是一个全新的 270 亿参数基础模型，旨在理解单个细胞的语言。C2S-Scale 基于 Gemma 开放模型系列 (https://deepmind.google/models/gemma/) 构建，代表了单细胞分析的新前沿。 这一宣布标志着 AI 在科学领域的一个里程碑。C2S-Scale 提出了一个关于癌细胞行为的新假设，我们随后通过活细胞实验验证了其预测。这一发现为开发抗击癌症的疗法揭示了一条有前景的新途径。 此次发布建立在我们今年早些时候的工作基础之上 (https://research.google/blog/teaching-machines-the-language-of-biology-scaling-large-language-models-for-next-generation-single-cell-analysis/)，当时我们证明了生物模型遵循清晰的缩放定律——就像自然语言一样，更大的模型在生物学上表现更好。这项工作提出了一个关键问题：更大的模型只是更好地完成现有任务，还是能获得全新的能力？缩放的真正前景在于创造新想法和发现未知。 ### C2S-Scale 27B 的工作原理 癌症免疫疗法的一个主要挑战是许多肿瘤是“冷”的——免疫系统无法识别。让它们变“热”的关键策略是通过一种称为抗原呈递 (https://en.wikipedia.org/wiki/Antigen_presentation) 的过程，迫使它们显示触发免疫的信号。 艺术化展示“冷”的免疫环境中性肿瘤细胞，它们对免疫系统不可见；以及“热”的免疫环境阳性细胞，表面有更多可见抗原。 我们给新的 C2S-Scale 27B (https://huggingface.co/vandijklab/C2S-Scale-Gemma-2-27B) 模型一个任务：找到一种作为*条件放大器*的药物，该药物*仅*在特定的“免疫环境阳性”环境中增强免疫信号。在这种环境中，已经存在低水平的干扰素（一种关键的免疫信号蛋白），但不足以自行诱导抗原呈递。这需要一定程度的条件推理，这似乎是缩放带来的涌现能力；我们较小的模型无法解决这种上下文依赖效应。 为了实现这一点，我们设计了一个*双背景虚拟筛选*来找到这种特定的协同效应。虚拟筛选包括两个阶段： 1. **免疫环境阳性：** 我们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。 2. **免疫环境中性：** 我们向模型提供了没有免疫背景的分离细胞系数据。 然后，我们模拟了超过 4,000 种药物在两种背景下的效果，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，从而使筛选偏向于与患者相关的情况。在模型突出显示的众多候选药物中，有一小部分（10-30%）在已有文献中已知，而其余的药物是*令人惊讶的命中*，之前未发现与筛选相关。 ## 从预测到实验验证 模型的预测非常清晰。它识别出名为 silmitasertib (CX-4945) 的激酶 CK2 抑制剂存在显著的“背景分裂”。模型预测，在“免疫环境阳性”背景下使用 silmitasertib 时，抗原呈递会*增强*，但在“免疫环境中性”背景下几乎没有效果。这一预测之所以令人兴奋，是因为它是一个全新的想法。虽然 CK2 已被发现参与许多细胞功能，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 能明确增强 MHC-I 表达或抗原呈递。这凸显了模型正在生成新的、可检验的假设，而不仅仅是重复已知事实。 然而，预测只有在临床应用中能得到验证才有价值。真正的测试首先是在实验室，最终是在临床。 在我们项目的下一阶段，我们将这一假设带到实验室工作台，并在人类神经内分泌细胞模型（一种模型在训练期间完全未见过的细胞类型）中进行了测试。实验表明： - 单独用 silmitasertib 处理细胞对抗原呈递 (MHC-I) 没有影响。 - 单独用低剂量干扰素处理细胞有适度的效果。 - 同时用 silmitasertib 和低剂量干扰素处理细胞，产生了显著且协同的抗原呈递放大效应。 值得注意的是，在我们的实验室测试中，silmitasertib 和低剂量干扰素的组合使抗原呈递增加了约 50%，这将使肿瘤对免疫系统更可见。 模型的*计算机模拟*预测在*体外*被多次证实。C2S-Scale 成功识别出一种新的、干扰素依赖的条件放大器，揭示了一条让“冷”肿瘤变“热”的新潜在途径，并可能使肿瘤对免疫疗法更敏感。虽然这只是早期的第一步，但它为开发新的联合疗法（即同时使用多种药物以达到更强效果）提供了一个有力且经过实验验证的线索。 这一结果也为一种新型生物发现提供了蓝图。它表明，通过遵循缩放定律并构建像 C2S-Scale 27B 这样更大的模型，我们可以创建足够强大的细胞行为预测模型，用于进行高通量虚拟筛选、发现条件依赖的生物学现象，并生成有生物学基础的假设。 耶鲁大学的团队目前正在探索这里发现的机制，并在其他免疫背景下测试更多 AI 生成的预测。通过进一步的临床前和临床验证，这样的假设或许最终能够加速新疗法的开发路径。 ## 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。我们邀请您探索这些工具，在我们的工作基础上继续研究，帮助我们持续翻译生命的语言。 - 阅读 bioRxiv 上的完整科学预印本 (https://www.biorxiv.org/content/10.1101/2025.04.14.648850)。 - 在 Hugging Face 上探索模型和资源 (https://huggingface.co/vandijklab/C2S-Scale-Gemma-2-27B)。 - 在 GitHub 上获取代码 (https://github.com/vandijklab/cell2sentence)。