赛陆虚拟细胞模型OCellus发布:一个模型打通单细胞、空间转录与扰动预测数据
01 模型优势与亮点结果
目前,单细胞、空间、扰动三个方向的基础模型处于独立发展状态。OCellus的核心设计是将单细胞表达谱、空间位置信息、蛋白互作网络统一转化为文本格式,令同一个经过多任务训练的语言模型backbone理解其背后的生物学关联。通过动态LoRA适配器切换,该模型同时承担编码器、预测器与解释器三种功能,共享同一套权重。在22个生物学任务的评测中,OCeIIus-Pretrain(多任务训练前状态)的平均准确率仅为15.1%;经过多任务训练后,完整OCeIIus模型的跨模态能力显著加强,平均准确率提升至76.3%。
图1 OCellus框架概览。
(a) 训练概览 (b) 中央训练枢纽与插件模块集成 (c) 四阶段OCellus训练流程 (d)三种功能角色
亮点结果一:
以文本编码让语言模型理解空间位置,无需改造架构
空间转录组分析的核心挑战在于,大语言模型原生处理文本而非二维坐标。现有方案通常需要增加图神经网络层或坐标嵌入层,然而此类改造使得模型架构与单细胞模型不再兼容。OCellus采用EvenClock方案:将组织切片上的二维平面离散为18个扇区(6个方向与3个距离环交叉形成)。邻近细胞的高表达基因排序后形成文本前缀,与中心细胞的基因表达句子拼接后输入模型。空间信息既被编码为文本,模型无需任何空间专用架构改造,仅凭文本注意力机制即可理解空间关系。在10项空间转录组任务中,空间邻域预测准确率为77.2%,细胞间通讯推断准确率为 95.6%,空间反卷积比例向量余弦相似度为70.4%。在一张包含23,640个小鼠胚胎细胞的MOSTA E12.5 Stereo-seq全切片上,OCellus对脑、心脏、背根神经节等经典区域的召回率超过 90%。跨平台适配(自Stereo-seq至Visium至 Xenium)仅需调整输入文本格式,无需修改模型架构。
图2 EvenClock空间编码与全切片细胞类型预测。
(a)EvenClock算法示意 (b)真实细胞类型注释 (c)全切片OCellus预测细胞类型 (d)正确性映射图
亮点结果二:
自学习基因嵌入取代人工数据库,在未见基因上实现可靠预测
新药研发中大量候选靶点属于训练时未见过的新基因。GEARS依赖Gene Ontology(GO)数据库建立基因功能相似性,但在Replogle 2022基准(1,830个训练基因与457个测试基因完全零重叠)上方向准确率仅为54.6%。OCellus的路径是:模型通过22个生物学任务的多任务训练,自行学习到每个基因的功能嵌入,形成4,096维的向量表示,完全数据驱动,不依赖人工注释数据库。随后,一个约58万参数的轻量级图神经网络在STRING蛋白互作网络上传播扰动信号。在Replogle 2022基准上,OCellus-GNN的 Pearson相关性为0.945,方向准确率98.4%。消融实验中,将语言模型自学习的基因嵌入替换为随机向量、其他条件不变时,Pearson降至0.06——这说明预测精度主要来源于语言模型对基因功能的数据学习,而非图网络拓扑本身。对于GO注释不完整的新靶点或罕见基因,这一路径意味着模型仍可作出可靠预测。
亮点结果三:
预测与解释共享同一模型backbone,并以Agent形式实现可解释功能
现有模型(GEARS、scGPT、CPA等)输出数值预测,但不提供生物学解释。OCellus的预测与解释共享同一组模型权重——基于22个生物学任务训练的特征表示,模型既输出数值结果,也生成自然语言阐述。为了实现精准解释功能,OCellus-Agent将上述能力封装为自然语言交互系统智能体。架构上采用 Hybrid DAG与True ReAct并行路径:明确意图的查询由DAG直接调用对应工具链模板执行,速度优先;模糊或探索性查询由True ReAct多步推理,逐步选择工具并依据观察结果调整下一步。意图分类基于Sentence-Transformer,七类意图的路由准确率超过93%。每次工具调用的输出需经过三层验证:JSON格式校验、生物学合理性检查、Critic LoRA的逻辑一致性评判。在此架构下,共418条真实查询的端到端评测中,OCellus-Agent准确率达到了96.9%,能良好的实现完整的解释链。
图3 OCellus-Agent扰动解释界面实例。
02 OCellus——赛陆平台支撑的产物
自研组学平台与测序仪构成底层数据基础
OCellus训练数据总规模约1.08亿细胞,涵盖cellxgene、MOSTA、10x Visium、Stereo-seq、MERFISH等公开数据集。但最核心的差异在于,赛陆自研的SalusSTS® 0.1微米亚细胞分辨率空间转录组平台贡献了约17%的训练样本,支持 bin40/bin100/bin400多尺度输出。在公共空间转录组数据仍相对稀缺、各现有模型高度依赖同一窄口数据池的背景下,自主生成空间训练数据的能力意味着赛陆可根据技术平台更新与新组织类型的需求,主动调整训练数据组成,无需等待公共数据发布。同时,赛陆自主研发的测序仪构成了底层数据生产的硬件基础。
组学运营经验转化为训练数据质量
OCellus论文中专门强调了数据预处理对模型性能的决定性作用。线粒体、核糖体、血红蛋白等housekeeping基因在没有显式过滤时,可占据top-ranked位置41%-83%的比重,严重稀释有效信号。赛陆在单细胞与空间组学平台上的长期运营经验——涵盖样本制备、质控标准、技术平台适配——直接转化为训练数据预处理pipeline的设计。
生信服务经验转化为真实可用的工作流
OCellus-Agent采用Hybrid DAG与True ReAct双路径架构,并辅以三层验证机制,其设计并非纯算法创新,而是建立在赛陆服务大量科研与临床客户的生信分析经验之上——团队清楚真实生物信息学流程中的常见瓶颈、质控盲点与验证需求。这种多维度验证机制降低了用户拿到错误结果的概率,也意味着OCellus-Agent在真实实验室环境中的高可用性。
03 OCellus展望
OCellus不是已有生物信息学工具之上的一层大模型封装,而是从语言模型训练范式出发重新设计的虚拟细胞框架。OCellus也有着自己的产品矩阵,底层是赛陆自主研发的测序仪以及SalusSTS®空间芯片,中层是OCellus基础模型,上层是OCellus-Agent智能体全流程管理系统。未来,赛陆会继续深耕虚拟细胞领域,让OCellus在in silico药物靶点筛选、肿瘤微环境空间解析、以及零代码单细胞与空间数据分析等场景发挥作用。
参考文献: Zhang et al., "OCellus: A Language-Model Framework for Single-Cell, Spatial, and Perturbation Biology with Natural-Language Reasoning", bioRxiv, 2026. https://www.biorxiv.org/content/10.64898/2026.07.08.737248v1