近日，清华大学自动化系江瑞课题组发布了面向单细胞蛋白组的基础模型ProtCell，完成了论文《ProtCell:a foundation model for single-cell proteomics》。该模型汇集约3.8亿个细胞、98个公开数据集用于预训练与评估，能够精准映射细胞状态、推断未测蛋白表达，为药物研发与前沿“虚拟细胞”构建提供了关键底座支撑。
论文同时披露，团队在摩尔线程旗舰级AI训推一体智算卡MTT S5000上，成功完成了ProtCell的全流程预训练复现，主要定量评测指标与国际主流GPU平台的差异仅约0.2%，充分验证了摩尔线程全功能GPU（Universal GPU）与MUSA全栈软件生态对前沿生命科学基础模型的高承载力。
11月1日，论文第一作者胡博文在2026人工智能+大会（2026 GAI+C）摩尔学院「未来科学家论坛」上，以《单细胞蛋白组大模型：AI4S从模型研发到科研应用》为题，详细阐述了这项成果从问题提出、模型构建到科研应用的过程。
国产GPU复现预训练：
双平台核心指标差异约0.2%
作为生命科学大模型，ProtCell涉及海量单细胞数据与复杂的连续丰度建模，对硬件集群的并行计算吞吐与数值计算精度均有严苛标准。团队在摩尔线程MTT S5000平台与国际主流GPU平台上完成了全流程的预训练与对比复现。
实测表明，两套平台训练出的模型在各项下游任务中表现高度一致，主要定量评测指标差异仅约0.2%。这一高一致性的复现结果已直接写入论文方法章节。
本次预训练复现的高效稳定落地，依托于摩尔线程全栈软硬件生态的成熟支撑：
▼ 全精度计算架构： MTT S5000基于第四代“平湖”架构打造，完整支持从FP8到FP64的全精度计算，既能灵活应对海量数据的预训练吞吐，也能精准满足科学计算对高精度的严苛标准；
▼ 成熟易用的MUSA软件栈：基于MTT S5000打造的夸娥智算平台与MUSA全栈软件栈提供高效支撑。其中Torch-MUSA深度原生兼容PyTorch，保障了ProtCell复杂的动态网络与张量计算在国产算力平台上“零成本”平滑迁移与长期稳定训练；
▼ 开源生态协同开放：目前ProtCell代码已在GitHub全面开源，官方仓库已原生集成基于MUSA软件栈的预训练启动入口，开发者可开箱即用。这为全球生命科学与AI4S领域的科研团队提供了一个经过严谨公开对照验证的国产先进算力新选项。
对“虚拟细胞”这类前沿科学模型而言，国产GPU要真正进入全球研究人员的工具链，必须满足两个核心条件：训练结果公开可对照，以及软硬件生态开箱即用。本次ProtCell的双平台验证与开源开放，不仅为同类研究提供了可直接复用的工程范本，也成为国产芯片进入“虚拟细胞”前沿研究的重要起点。
“虚拟细胞”：
AI4S战略高地，自主可控至关重要
“虚拟细胞”旨在用AI在计算机中构建细胞的运行模型，描述细胞当前状态，并精准预测细胞在受到药物、基因编辑等干预后的动态变化，已成为全球AI4S竞争的核心战略高地。
国际上，顶尖科研机构与科技巨头正加速投入数十亿美元与万卡级算力集群竞逐这一领域。在我国，《国务院关于深入实施“人工智能+”行动的意见》把「人工智能+」科学技术列为重点行动首位。由于虚拟细胞研发所依赖的基因组、蛋白组等核心数据高度涉及国家生物遗传资源安全，构建自主可控的先进算力基座至关重要。
攻坚核心技术：
ProtCell破解单细胞蛋白组测量壁垒
清华大学研发的ProtCell正是从单细胞蛋白组切入攻坚这一领域。蛋白质是细胞功能的核心承担者，其丰度受翻译后调控等多重机制影响，无法单纯依赖mRNA水平推断。然而，现有的单细胞蛋白检测技术（如 CITE-seq、质谱流式）依赖预选面板，单次通常仅能覆盖数十至数百种蛋白，导致不同实验的数据长期处于高度碎片化状态。
为破解这一测量壁垒，ProtCell通过“共享词表”与“掩码丰度建模”构建了创新的模型架构。模型首先以共享词表编码跨实验一致的蛋白身份，结合多层感知机（MLP）编码连续丰度，一并送入Transformer编码器以消除技术批次效应；同时，在训练阶段随机遮蔽部分已测蛋白，仅凭同细胞内其余蛋白的测量值推断目标丰度，从而自监督学习细胞内部的蛋白协同网络。
依托这一架构，同一个模型不仅能够高效完成细胞注释与批次整合，还具备了推断面板之外未测蛋白、乃至反哺指导新实验设计的闭环能力。在核心基准评估中，ProtCell展现出优异的性能：
▼ 细胞类型注释准确率高：在 Kotliarov2020 数据集上，骨干冻结、只训练分类头，批次内准确率与macro F1均达约0.98；跨批次迁移准确率保持在0.971到0.974。
▼ 掩码蛋白重建表现优异：Kotliarov2020随机划分并遮住25%已测蛋白时，蛋白级平均Pearson相关系数为0.586（对比方法CytoVI仅为0.484）；在全部79个靶标逐一遮蔽靶标中，ProtCel在67个靶标上的表现显著胜出；
▼ 推断面板未测蛋白功能：针对Kotliarov2020未测的 GZMB、PRF1、KLRD1、TBX21、EOMES五个免疫核心蛋白，模型推断的细胞毒性评分在自然杀伤细胞最高、在初始CD8+ T细胞中较低，与免疫学生理规律高度吻合；
▼ 指导新实验面板设计：从Sparks2023的128个候选蛋白中优选60个，独立解码器重建未选蛋白的Spearman相关系数为0.616到0.630；映射至40蛋白面板后，三名留出患者的急性髓系白血病克隆判别中位AUROC为0.809（大幅领先对比方法QR的0.478与CytoVI的0.475）。
灯塔计划：
以国产算力底座，持续赋能科研创新
清华大学自动化系江瑞课题组是摩尔线程开发者计划「灯塔计划」的合作学者团队。课题组长期从事细胞基础模型与AI虚拟细胞研究，此前提出的单细胞表观基因组基础模型EpiAgent发表在顶尖期刊《自然·方法》。本次合作中，团队负责模型研发与训练，摩尔线程提供算力平台和底层工程优化支持。
“灯塔计划”是摩尔线程面向各领域科学家团队的学术合作项目，为具有创新性、前沿性的科研项目，优先提供国产GPU算力以及工程、生态资源，助力科学家突破资源瓶颈、聚焦核心问题、加速创新。摩尔线程正以国产芯片与国产软件栈为基石，支持中国科技力量在AI领域取得更多原创成果。
ProtCell论文预印本（可“阅读原文”获取）：
https://doi.org/10.64898/2026.10.22.760932
ProtCell开源仓库：
https://github.com/hubwenbwen/ProtCell
摩尔线程开发者计划：
https://developer.mthreads.com/DevProgram
