清华 ProtCell 吃下 3.8 亿细胞，开始补全实验没测到的蛋白

清华大学自动化系江瑞课题组近日发布了单细胞蛋白组基础模型 ProtCell，并公开论文预印本、模型代码、预训练权重和下游任务示例。ProtCell 汇集约 3.8 亿个细胞、98 个公开数据集进行预训练与评估，试图解决单细胞蛋白数据长期存在的一个核心问题：不同实验测量的蛋白面板不一样，数据规模虽然越来越大，却很难直接拼在一起使用。(ithome.com)

**ProtCell 是一个面向单细胞蛋白丰度数据的 Transformer 基础模型。**它同时编码蛋白身份和连续丰度，通过掩码丰度建模学习细胞状态及蛋白之间的依赖关系，可用于细胞类型注释、批次整合、缺失蛋白重建、未测蛋白推断和实验面板选择。

这不是又一个把 Transformer 搬进生命科学、然后强调训练数据有多大的模型。ProtCell 最值得关注的地方，是它开始把“分析已有实验数据”和“决定下一次实验应该测什么”连接起来：模型不只补数据，还尝试指导新的蛋白检测面板设计。

单细胞蛋白组的问题，不只是数据少

**单细胞蛋白组是以单个细胞为单位测量蛋白表达和细胞功能状态的技术。**相比转录组测量 RNA，蛋白更接近细胞此刻真正执行的功能，因为 RNA 表达之后还会经过翻译、降解和翻译后修饰，mRNA 多并不必然意味着对应蛋白也多。

但蛋白测量比 RNA 测序更受实验条件限制。CITE-seq、质谱流式等靶向技术通常需要研究者提前选好抗体面板，一次实验往往只能覆盖数十至数百种蛋白；实验室 A 测 CD3、CD4 和 CD8，实验室 B 可能测 CD3、CD19 和 CD56，两批数据即使来自相似细胞，也无法像使用统一词表那样直接对齐。

**蛋白面板碎片化是指不同实验只测量部分且不完全重叠的蛋白集合，导致细胞数据难以跨数据集联合分析。**ProtCell 要做的事情，类似让只填写了不同栏目的数亿张体检表进入同一个模型：模型先学习哪些指标通常共同变化，再利用已知项目推断未测项目，并判断哪些指标最值得在下一次体检中保留。

传统方法通常针对某一个数据集做批次校正或缺失值插补，换一套面板后往往需要重新训练。ProtCell 则使用共享蛋白词表，把不同实验里的同一种蛋白映射到一致身份，再将蛋白丰度作为连续数值编码，使不同长度、不同组合的面板可以进入同一个 Transformer。

它怎么学习：把蛋白遮住，再让模型猜回来

**掩码丰度建模是随机隐藏一部分已测蛋白丰度，并要求模型根据同一细胞中的其他蛋白恢复原始数值的自监督任务。**它与语言模型的掩码预测思路相似，但 ProtCell 猜的不是单词，而是 CD8、GZMB、PRF1 等蛋白在具体细胞中的连续表达量。

ProtCell 的输入主要由两部分组成：

• 蛋白身份嵌入：告诉模型当前位置对应哪一种蛋白，相当于共享词表中的蛋白 ID。
• 连续丰度嵌入：通过多层感知机编码蛋白丰度，而不是把数值粗暴切成高、中、低几个离散档位。
• Transformer 编码器：让每种蛋白关注同一细胞中的其他蛋白，从大量样本中学习共表达和互斥关系。
• 重建目标：随机遮蔽约 15% 的蛋白丰度，并通过回归损失恢复真实数值。

连续丰度编码是一个重要选择。自然语言里的词是离散符号，但蛋白丰度是连续信号；如果把 0.49 和 0.51 分到两个等级，模型会人为制造边界。ProtCell 保留连续值，更适合捕捉弱表达、渐变状态和细胞亚群之间的细微差别。

官方仓库当前公开了 CUDA 和 MUSA 两条训练路径，支持 CITE-seq 的 CLR 预处理数据以及 CyTOF 的 arcsinh 预处理数据。CUDA 大规模配置采用 8 层 Transformer、256 维模型宽度、8 个注意力头和 BF16 精度；MUSA 训练入口则使用 torch_musa、BF16 混合精度和 MCCL 分布式训练。需要注意的是，仓库中的 MUSA 示例配置规模更小，复现者应区分公开示例、发布权重和论文最终实验配置，不能只看文件名便默认两套配置完全等价。(github.com)

跑分不错，但最有价值的不是分类准确率

**ProtCell 在细胞注释、蛋白重建和实验面板选择上都给出了定量结果。**在 Kotliarov2020 数据集上，冻结模型骨干、只训练分类头时，批次内细胞类型注释准确率和 macro F1 均约为 0.98；跨批次迁移准确率仍保持在 0.971 至 0.974。

在随机遮蔽 25% 已测蛋白的重建任务中，ProtCell 的蛋白级平均 Pearson 相关系数达到 0.586，高于 CytoVI 的 0.484，绝对提升 0.102，相对提升约 21.1%。对 79 个蛋白逐个进行遮蔽测试时，ProtCell 在其中 67 个靶标上取得显著更好的结果。(eepw.com.cn)

| 任务 | ProtCell | 对比方法 | 结果解读 | |---|---:|---:|---| | 批次内细胞注释 | 准确率、macro F1 约 0.98 | — | 说明预训练表征包含较强细胞类型信息 | | 跨批次注释迁移 | 准确率 0.971-0.974 | — | 换批次后性能下降有限 | | 遮蔽 25% 蛋白重建 | Pearson 0.586 | CytoVI 0.484 | 绝对提升 0.102 | | AML 克隆判别 | 中位 AUROC 0.809 | QR 0.478；CytoVI 0.475 | 面板选择后的下游判别优势明显 |

高注释准确率当然好看，但它不是 ProtCell 最有意思的结果。细胞分类已经是单细胞基础模型的标准项目，真正难的是推断面板根本没有测量的蛋白，并证明推断结果不仅相关系数更高，而且保留了有意义的生物学结构。

团队选择了 Kotliarov2020 面板未测量的 GZMB、PRF1、KLRD1、TBX21 和 EOMES 五个免疫相关蛋白，构建细胞毒性蛋白程序。ProtCell 推断出的评分在自然杀伤细胞中最高，在初始 CD8+ T 细胞中较低，与已知免疫学规律一致。

这个结果比普通缺失值填补更进一步。普通插补通常是在一张表中补几个空格，而未测蛋白推断面对的是整列数据从实验开始就不存在；模型必须依靠跨数据集学到的蛋白依赖关系，把其他面板中的知识迁移过来。

不过，这里仍然需要保持克制。符合已知生物学规律不等于完成实验验证，模型推断出的未测蛋白不能直接替代真实测量，更不能在缺少外部验证的情况下用作临床诊断依据。ProtCell 目前公开的是 2026 年 10 月 27 日上线的预印本，尚未经过同行评议，后续尤其需要关注跨实验室、跨组织和疾病样本上的泛化能力。(eepw.com.cn)

真正实用的一步：让模型决定该测哪些蛋白

**蛋白面板选择是从大量候选蛋白中挑出较小集合，同时尽可能保留细胞分类和表达重建信息的实验设计任务。**这是 ProtCell 最可能直接影响实验成本和工作流程的能力。

在 Sparks2023 数据集上，团队从 128 个候选蛋白中选择 60 个，使用独立解码器重建其余蛋白，Spearman 相关系数达到 0.616 至 0.630。将所选蛋白进一步映射到 40 蛋白面板后，模型在三名留出患者的急性髓系白血病克隆判别任务上取得 0.809 的中位 AUROC，明显高于 QR 的 0.478 和 CytoVI 的 0.475。(eepw.com.cn)

这意味着模型可能把实验设计从“凭经验挑一组常见标志物”，推进到“根据目标任务计算哪组蛋白的信息密度最高”。对于抗体成本高、通道数量有限的实验，少测几十个冗余蛋白，可能比把模型准确率再提高一个百分点更有价值。

ProtCell 因此形成了一条相对完整的闭环：历史数据训练模型，模型学习蛋白关系，蛋白关系指导新面板，新实验再产生更有信息量的数据。它距离真正的自动化实验系统还有很远，但已经不只是一个离线表征模型。

3.8 亿细胞很大，但不是唯一的规模纪录

**单细胞基础模型是使用大规模细胞数据预训练、再迁移到注释、整合、预测或干预任务的通用模型。**过去几年的主流工作主要集中在转录组，ProtCell 则将重点放在靶向蛋白组数据上。

ProtCell 的 3.8 亿细胞足够引人注目，但不能简单理解为“数据最多，所以模型最好”。2026 年公开的 scpFormer 同样面向单细胞蛋白组，预训练规模约 3.91 亿细胞；CAPTAIN 则使用超过 400 万个同时测量 RNA 和蛋白的细胞，强调跨模态依赖和蛋白预测。不同模型的数据量并不能直接横向换算，因为单模态蛋白面板、RNA—蛋白配对数据和不同实验平台的数据密度完全不同。(arxiv.org)

| 模型 | 预训练数据 | 主要输入 | 核心能力 | 主要取舍 | |---|---:|---|---|---| | ProtCell | 约 3.8 亿细胞、98 个数据集 | 靶向单细胞蛋白丰度 | 注释、整合、重建、未测蛋白推断、面板选择 | 数据规模大，但依赖共享蛋白词表 | | scpFormer | 约 3.91 亿细胞 | 单细胞蛋白丰度、蛋白序列表征 | 跨面板整合、开放词表蛋白推断 | 蛋白身份建模更开放，工程链路不同 | | CAPTAIN | 400 万+ RNA—蛋白配对细胞 | 转录组与表面蛋白 | 跨模态表征、蛋白扩展、细胞通讯 | 配对数据更丰富，但可获得规模较小 | | 传统 scRNA 基础模型 | 通常为大规模转录组 | 基因表达 | 注释、扰动预测、基因网络分析 | 数据丰富，但蛋白功能状态多为间接推断 |

ProtCell 的优势不是压倒所有同类模型的规模，而是任务链条比较完整。它从批次整合一路做到未测蛋白推断和面板选择，并把预训练权重、示例数据、CUDA/MUSA 训练入口以及五类下游 Notebook 放进了同一个公开仓库。

它的限制也同样清楚。共享词表可以统一已有蛋白名称，但面对训练词表之外的新蛋白，泛化能力不如直接利用蛋白序列语义的开放词表方案；此外，98 个公开数据集规模很大，却仍可能集中于免疫细胞和常见检测平台，不能自然代表所有组织、疾病和实验条件。

国产 GPU 的 0.2% 差异，说明了什么

**训练复现是使用另一套硬件和软件环境重新完成模型训练，并比较最终模型指标是否一致。**清华团队在摩尔线程 MTT S5000 智算卡上完成了 ProtCell 的全流程预训练复现，主要定量评测指标与国际主流 GPU 平台的差异约为 0.2%。(ithome.com)

这个数字的意义不在于证明某张卡比另一张卡更快，因为目前公开信息没有给出完整的训练耗时、集群规模、功耗和总体成本对比。0.2% 主要证明的是数值结果可以对齐：在 BF16 混合精度、分布式通信、连续丰度回归和数亿细胞数据加载同时存在的情况下，换用 MUSA 软件栈后没有出现明显精度漂移。

对于 AI4S，结果一致性往往比单次峰值算力更重要。聊天模型出现几个 Token 差异可能不影响使用，但科学模型中的数值误差会沿着重建、聚类和下游统计分析传递，最终改变生物学结论。

官方仓库已经加入 train_musa.py，使用 torch_musa 和 MCCL 执行分布式预训练，并保留了 CUDA 训练入口。这比单纯宣布“已经适配”更可信，因为开发者至少可以检查训练脚本、配置文件和预处理要求。(github.com)

但“开源”不等于普通研究者能立刻复现 3.8 亿细胞预训练。当前 Release 提供预训练检查点、处理后的示例输入和五类下游 Notebook 所需数据，而完整预训练仍要求用户自行准备经过蛋白名称统一的 AnnData 文件和大规模计算资源。换句话说，下游验证已经比较容易，全量预训练仍是重型工程。(github.com)

ProtCell 距离“虚拟细胞”还有多远

**虚拟细胞是利用计算模型描述细胞状态，并预测药物、基因编辑或环境变化对细胞行为影响的数字化细胞模型。**完整的虚拟细胞不仅要知道细胞现在有什么蛋白，还要理解基因调控、蛋白互作、空间结构、代谢过程和干预后的时间动态。

ProtCell 目前更准确的定位，是虚拟细胞的蛋白状态编码器，而不是完整细胞模拟器。它擅长从静态蛋白丰度中提取细胞表征、补全有限面板并学习蛋白依赖，但尚不能独立模拟药物加入后数小时到数天的动态变化。

这并不削弱它的价值。一个可靠的虚拟细胞系统需要多个层次的模型协同工作：转录组模型描述基因表达，蛋白组模型刻画功能执行状态，空间模型提供组织环境，扰动模型预测状态转移。ProtCell 补上的，正是过去相对薄弱的单细胞蛋白组底座。

我们的判断是，ProtCell 是一次有用且工程完成度较高的模型发布，但现在谈“完整虚拟细胞”仍然太早。它最现实的近期价值，不是直接替代湿实验，而是提高历史蛋白组数据的复用率、减少面板设计中的试错，并为研究者提供更好的候选蛋白优先级。

如果后续工作能够在独立实验室数据、更多非免疫组织以及真实药物扰动实验中验证未测蛋白推断，ProtCell 才会从一套表现不错的基础模型，进一步变成能参与实验决策的科研基础设施。

参考来源

• IT之家：清华大学发布单细胞蛋白组基础模型 ProtCell — 发布信息、3.8 亿细胞规模及 MTT S5000 复现结果。
• GitHub：ProtCell 官方开源仓库 — 模型代码、训练入口、配置文件及下游任务说明。
• GitHub：ProtCell v1.0.0 Release — 预训练权重、示例数据和校验信息。
• GitHub：CAPTAIN 官方仓库 — RNA—蛋白多模态单细胞基础模型的公开实现与数据说明。