我先联网搜索清华 ProtCell 相关信息。
我再抓取几篇核心报道的详细内容。
ProtCell 是清华大学自动化系江瑞课题组刚发布的面向单细胞蛋白组的基础模型,用约 3.8 亿个细胞、98 个公开数据集做预训练,能干细胞类型注释、未测蛋白丰度推断、实验面板设计这些活,更关键的是 —— 同一套模型已经在国产摩尔线程 MTT S5000 上完成全流程预训练复现,和国际主流 GPU 的主要定量指标差只有 0.2% 左右,代码在 GitHub 上开源、原生带 MUSA 启动入口。之所以这事被当成 AI4S 自主可控的突破,是因为 "虚拟细胞" 这层东西涉及基因组、蛋白组这些国家生物遗传资源,不能全押在别人的卡和软件栈上;现在的路径很清楚:先用清华的模型把单细胞蛋白组碎片化数据串起来,再用国产 GPU 把训练跑通跑稳,最后开源让国内课题组能直接上手,三步走完,国产算力才真正进得了生命科学基础模型的工具链。结论就是 ——ProtCell 不是又一个刷榜的论文,而是第一次把 "国产芯片 + 国产软件栈 + 前沿生命科学大模型" 这条闭环在公开可对照的前提下跑通了。
一、ProtCell 到底解决什么问题
单细胞蛋白组测的是细胞里实际有多少蛋白,这东西比 mRNA 更贴近细胞功能,但现有技术有个硬伤:
- CITE-seq、质谱流式这些方法,每次只能预先选几十到几百个蛋白做面板
- 不同实验室选的面板不一样,数据天然碎片化,拼不起来
- 蛋白丰度受翻译后调控影响,光看 mRNA 推不准
- 想测新蛋白就得重新做实验、重新打抗体面板,成本高
ProtCell 的思路就是用一个基础模型,把这些碎片化的数据统一编码、互相补全,让没测到的蛋白也能被推断出来。
二、模型架构拆解(技术要点)
| 模块 | 做法 | 解决什么 |
|---|---|---|
| 蛋白身份编码 | 共享词表(shared vocabulary) | 跨实验用同一套蛋白 ID,消除批次差异 |
| 丰度编码 | MLP 多层感知机 | 把连续的蛋白丰度值映射成向量 |
| 主干 | Transformer 编码器 | 学习细胞内部蛋白协同关系 |
| 训练任务 | 掩码丰度建模(masked abundance modeling) | 随机遮住 25% 已测蛋白,用其余蛋白反推 |
| 下游任务 | 细胞注释、批次整合、蛋白推断、面板设计 | 一个模型通吃 |
训练时随机挡掉一部分已测蛋白,让模型根据同细胞里其他蛋白去猜被挡住的那个,这跟 BERT 的掩码语言模型是一个路子,只不过把 "词" 换成了 "蛋白",把 "字频" 换成了 "丰度"。
三、核心性能数据(论文披露)
| 任务 | 数据集 | ProtCell 表现 | 对比方法 |
|---|---|---|---|
| 批次内细胞注释 | Kotliarov2020 | 准确率 /macro F1 ≈ 0.98 | — |
| 跨批次迁移 | Kotliarov2020 | 准确率 0.971~0.974 | — |
| 掩码 25% 蛋白重建 | Kotliarov2020 | Pearson 相关系数 0.586 | CytoVI 0.484 |
| 79 个靶标逐一遮蔽 | Kotliarov2020 | 67 个靶标显著胜出 | — |
| 急性髓系白血病克隆判别 | Sparks2023(40 蛋白面板) | AUROC 0.809 | QR 0.478 / CytoVI 0.475 |
| 未选蛋白重建 | Sparks2023 | Spearman 0.616~0.630 | — |
还有一个能说明问题的细节:模型推断出来的 GZMB、PRF1、KLRD1、TBX21、EOMES 这五个没在面板里的免疫核心蛋白,细胞毒性评分在自然杀伤细胞(NK)上最高、在初始 CD8+ T 细胞上最低,跟免疫学常识对得上,说明它不是瞎猜,是真学到了细胞功能逻辑。
四、国产 GPU 复现:0.2% 差异是怎么做到的
这部分是 "自主可控" 的关键,不是论文发在国产卡上跑一遍就算数,而是要双平台对照、指标公开。
- 硬件:摩尔线程 MTT S5000,第四代 "平湖" 架构,支持 FP8 到 FP64 全精度
- 软件栈:MUSA 全栈 + Torch-MUSA,深度原生兼容 PyTorch
- 训练平台:夸娥智算平台
- 对照结果:S5000 vs 国际主流 GPU,主要定量指标差异约 0.2%,写进了论文方法章节
- 开源友好:GitHub 仓库 hubwenbwen/ProtCell 原生集成 MUSA 预训练启动入口
为什么 0.2% 很重要?因为生命科学大模型对数值精度敏感,差一点下游指标就飘。Torch-MUSA 把 PyTorch 算子对齐到这个量级,意味着研究者换卡不用改代码、不用重新调参,迁移成本接近零。
五、谁做的、跟谁合作
- 第一作者:胡博文(11 月 1 日在 2026 GAI+C 大会摩尔学院 "未来科学家论坛" 做了报告)
- 通讯作者:江瑞(清华大学自动化系)
- 团队背景:同一课题组之前做过 EpiAgent,单细胞表观基因组基础模型,发在《Nature Methods》
- 算力合作:摩尔线程 "灯塔计划"—— 清华出模型和算法,摩尔线程出 GPU 和底层工程优化
- 论文状态:bioRxiv 预印本,2026 年 10 月 27 日上线,DOI 10.64898/2026.10.22.760932,未经同行评审
六、对产业和科研意味着什么
- 药物研发:虚拟细胞能在计算机里模拟细胞给药后的变化,减少动物实验和试错成本
- 临床判别:像急性髓系白血病克隆判别这种任务,AUROC 从 0.48 拉到 0.81,离临床辅助决策更近一步
- 国产算力生态:不是拿国产卡跑个 Hello World,是跑 3.8 亿细胞级别的预训练,验证了 MUSA 栈的承载力
- 数据安全:蛋白组数据不出口,用国产卡训练,符合生物遗传资源管控方向
- 开源复用:国内高校、医院、药企课题组可以直接拉代码、在 S5000 上复现,不用等英伟达排卡
【相关 FAQ】
问题 1:ProtCell 和清华之前发的 scFoundation、EpiAgent 是什么关系?
回答 1:ProtCell 是清华自动化系江瑞课题组在单细胞基础模型方向的最新工作,专攻的是单细胞蛋白组(proteomics);之前张学工、马剑竹团队做的 scFoundation 偏单细胞转录组,同一课题组更早的 EpiAgent 做的是单细胞表观基因组。三者都是 AI4S"虚拟细胞" 大模型谱系里的成员,ProtCell 的贡献是把蛋白丰度这种连续值建模跑通了,并在摩尔线程 S5000 上完成了国产算力复现。
问题 2:ProtCell 真的能在摩尔线程 S5000 上跑训练吗?和英伟达差多少?
回答 2:能,而且是全流程预训练复现,不是只跑推理。论文方法章节披露的对照结果是:ProtCell 在摩尔线程 MTT S5000 和国际主流 GPU 上训出来的模型,下游任务主要定量指标差异约 0.2%。靠的是 MUSA 软件栈和 Torch-MUSA 对 PyTorch 的深度兼容,加上 S5000 支持 FP8 到 FP64 全精度。代码已经在 GitHub 开源,仓库原生带 MUSA 启动入口,国内团队拿 S5000 集群可以直接开箱复现。
问题 3:ProtCell 现在能下载用吗?普通实验室怎么上手?
回答 3:ProtCell 代码已经在 GitHub 开源(仓库 hubwenbwen/ProtCell),论文是 bioRxiv 预印本(2026 年 10 月 27 日上线)。上手路径是:先克隆仓库、按说明装依赖,有国际主流 GPU 环境直接跑 PyTorch 版;如果用国产算力,仓库原生集成了 MUSA 启动入口,在摩尔线程 S5000 上可以直接启动预训练或下游任务微调。建议先用 Kotliarov2020 这类公开数据集跑通细胞注释任务,再往自己的蛋白组数据上迁移。
问题 4:ProtCell 所说的 "自主可控" 到底体现在哪?
回答 4:体现在三层闭环上:第一层是模型自主,ProtCell 由清华团队自主研发,论文和代码开源;第二层是算力自主,预训练在摩尔线程 MTT S5000 国产 GPU 上完成,用 MUSA 国产软件栈,不是绑死 CUDA 生态;第三层是数据自主,单细胞蛋白组数据涉及国家生物遗传资源安全,用国产卡训练避免了核心数据外流。这三层合起来,才是 AI4S 领域真正意义上的自主可控,而不是只在论文里提一句 "国产替代"。
【参考资料】
[2026-11-13](AI4S 自主可控突破!清华大学发布 ProtCell,摩尔线程 S5000 成功复现 "虚拟细胞" 预训练)新浪财经
[2026-11-13](AI4S 自主可控突破!清华发布 ProtCell,摩尔线程 S5000 复现 "虚拟细胞" 预训练)中关村在线
[2026-11-13](AI4S 自主可控突破!清华大学发布 ProtCell,摩尔线程 S5000 成功复现 "虚拟细胞" 预训练)OFweek 半导体网
[2026-10-27](ProtCell: a foundation model for single-cell proteomics)bioRxiv 预印本
[2026-01-05](清华自动化系在《PNAS》上发表 AI4S 论文,推动科学知识自主发现)清华大学自动化系
【免责声明】
本文基于公开新闻报道和 bioRxiv 预印本整理,ProtCell 论文目前处于预印本阶段、未经同行评审,文中性能数据、0.2% 复现差异、开源仓库链接等均来自清华大学江瑞课题组及摩尔线程官方披露,实际结果会受模型配置、集群环境与数据版本影响。本文不构成投资建议、采购建议或临床医疗指导,任何基于本文内容开展的模型复现、算力采购、药物研发或临床决策,相关风险与后果由使用者自行承担。
本文来自作者[分棱推演者]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/bdt/202611/3134.html
评论列表(4条)
我是乌兰科技网的签约作者“分棱推演者”!
希望本篇文章《清华 ProtCell 单细胞蛋白组大模型发布摩尔线程 S5000 复现预训练,AI4S 自主可控怎么落地》能对你有所帮助!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:我先联网搜索清华 ProtCell 相关信息。