想象医生面对一排药物，却不能逐一拿到患者身上试。更理想的办法，是先在电脑里放入肿瘤的分子数据，让一个“虚拟细胞”预演：用药后，哪些变化会发生，哪种方案更可能有效。
9月9日发表于《Nature》的 ProteinTalks，正试图把这种设想变成可操作的工具。它不是一张虚拟细胞图片，也不是对细胞生命的完整模拟，而是一个聚焦乳腺癌药物反应的 AI 模型。研究团队让它学习药物如何随时间改变细胞里的蛋白质，再用这些规律预测药效、药物协同作用和治疗反应。本文数据与效果均来自论文摘要及围绕同一研究的《Nature》报道，因此仍属于单一研究团队提供的证据。
不只拍照，而是看一段变化过程
过去不少虚拟细胞模型学习的是细胞的静态状态，像只看治疗前后各拍的一张照片。ProteinTalks 更关心中间发生了什么。
研究者先做“扰动实验”——主动给细胞用药，再观察它怎样响应。他们使用18个乳腺癌细胞系，其中16个来自三阴性乳腺癌（TNBC）。TNBC 缺少雌激素受体、孕激素受体和 HER2 这三个常见治疗靶标，通常无法使用相应的内分泌或 HER2 靶向疗法；不同肿瘤之间的差异又很大，因此选药尤其困难。
实验覆盖63种获美国 FDA 批准的抗肿瘤药物和59种药物组合。研究团队测量了5,585个蛋白质组在用药前，以及用药后6、24、48小时的丰度，总计超过3,800万次测量。
这里的蛋白质组学（proteomics），就是大规模测量细胞内蛋白质的数量和状态。蛋白质更接近细胞真正执行功能的一层。连续观察它们，就像不只记录“病人吃药前后怎么样”，还记录药物进入身体后，各项指标如何一步步变化。
ProteinTalks 学到了什么
ProteinTalks 从这些随时间展开的蛋白变化中，学习可迁移的动态表示。简单说，它把不同细胞、不同药物下反复出现的变化规律压缩成一套内部表征，再把这套规律用于没有原样见过的任务。
据《Nature》报道，该模型在预测训练集之外81种药物的细胞反应时，准确率为88%。论文摘要还称，在所评估的实验协议下，它的总体表现高于研究者选定的基准实现。不过现有材料没有披露基准名称、评价指标细节、效应量或统计显著性，因此不能把这一结果扩大为“全面超过现有模型”。
它的用途也不止给药物排队。论文称，模型还可预测药物组合的协同作用——也就是两种药一起使用时，效果是否强于各自单独使用；寻找可能参与耐药的蛋白；区分患者反应，并为患者来源类器官挑选候选药物。类器官是由患者细胞培养出的微型组织模型，可在体外保留部分肿瘤特征。
真正值得看的，是它跨出了细胞系
药物模型常在实验室培养的细胞上表现不错，换到患者样本却未必成立。ProteinTalks 最值得关注的一步，是尝试把从乳腺癌细胞系学到的规律迁移到患者来源类器官和临床活检样本。
《Nature》报道，研究者分析了501名 TNBC 患者化疗前活检中的3,651种蛋白。在这组实验里，模型识别出的候选药物，与患者实际接受治疗后显示有效的药物相符。TNBC 约占全部乳腺癌病例的15%至20%；如果这种关联能在更严格的研究中重复，它可能帮助研究者把患者的蛋白数据转成更具体的选药线索。
但这仍是“现实潜力”，不是临床落地。共同作者 Tiannan Guo 将其称为虚拟细胞首次走出实验室、在临床场景中测试；这是研究者本人的表述，而“在临床样本上测试”并不等于已经参与临床决策。
局限与未知
- 现有材料没有说明活检分析是否属于前瞻性试验，也没有证据表明 ProteinTalks 曾真正指导患者用药，因此不能据此宣称它已经能可靠决定个体治疗。
- 论文摘要和报道未提供完整实验设计、各任务样本量、基准细节及统计显著性。88%的结果说明模型在特定测试中有预测能力，但不足以概括所有药物和患者场景。
- 这是面向乳腺癌扰动反应与药物发现的聚焦模型，并非完整细胞模拟；其数据平台目前注明仅供学术和非商业用途。