文章导读
个体化肿瘤治疗的难点，在于如何把大规模药物扰动规律真正连接到患者差异，并转化为可验证的用药优先级。陈洛南团队开发多模态基座模型UniCure，融合生物与化学基础模型，依据基因表达、药物结构和剂量预测转录组响应，并利用约190万条转录组扰动记录及345份患者来源肿瘤样细胞簇数据微调，实现个体化药物排序。它还面向三类癌症筛选天然药物候选化合物，每类选出两种验证。这个框架能否成为精准治疗与新药发现之间的关键桥梁？
— 内容由好学术AI分析文章内容生成，仅供参考。
2026年9月9日，上海交通大学数学科学学院陈洛南团队联合海军军医大学张卫东、深势科技温瀚、北京大学人民医院王姝、同济大学附属上海市肺科医院任胜祥等在Cancer Cell上发表了题为“UniCure: A Multi-Modal Model for Predicting Personalized Cancer Therapy Response”的研究论文，开发了用于预测个体化肿瘤用药响应的多模态基座模型UniCure。该研究将生物与化学基础模型相结合，利用大规模药物扰动数据训练，并通过患者来源肿瘤样细胞簇进行适配，建立了从转录组响应预测到个体化药物排序的研究新框架。
在细胞层面，UniCure首先根据细胞用药前的基因表达状态，以及药物结构和剂量，预测用药后的转录组响应；在群体转录组层面，团队采用分阶段训练，先建立稳定的细胞基线表征，再学习药物引起的表达变化，兼顾群体转录组与单细胞层面的扰动响应预测；在患者个体样本层面，UniCure基于既有基础模型的预训练表征，进一步学习了约190万条转录组扰动记录，并利用肺腺癌、膀胱癌和三阴性乳腺癌的345份患者来源肿瘤样细胞簇转录组谱进行微调，将大规模数据中学习到的规律与患者来源样本相连接，构建患者个体化药物排序。
研究团队将UniCure进一步应用于天然药物候选化合物筛选，针对三阴性乳腺癌、肺腺癌、膀胱癌开展虚拟筛选，并综合模型预测排名与实验可行性，为每类癌症筛选两种高优先级候选化合物进行验证，展现了在天然药物活性成分发现与抗肿瘤药物筛选中的应用潜力。
UniCure将生物与化学基础模型、大规模药物扰动数据和患者来源肿瘤模型整合到同一框架中，为从分子响应预测走向个体化药物优先级排序提供了新的研究路径，拓展了人工智能在天然药物及中药活性成分筛选中的应用空间，也为连接大规模临床前数据与患者个体差异提供了方法学支撑。随着患者来源数据的积累和多组学信息的融合，该框架有望为精准肿瘤治疗和中药新药发现提供新的技术支撑。
论文链接:https://www.cell.com/cancer-cell/abstract/S1535-6108(26)00348-X
作者： 数学科学学院 供稿单位： 数学科学学院
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
能把患者样本和模型预测接起来，确实很有意义