给单细胞研究一个「ImageNet」：CellNet开放2.31亿张跨物种转录组图像

作者丨论文团队

编辑丨ScienceAI

构建全面的细胞图谱以理解细胞多样性，一直是细胞生物学研究最为基础的目标和愿景之一。理解细胞多样性，需要知道细胞是什么、处于什么状态，以及这些差异对应着怎样的分子程序。对细胞注释等常见任务，少量标记基因或许已经足够；但面对更加深入的生物学开放性问题，往往需要探索更大范围的基因、发掘潜在关联。已有基础模型普遍在建模之前，就过早限定细胞可以利用的分子信息，以权衡计算效率。那么，能否兼顾计算效率的同时，保留全部分子信息？

近日，来自湖南大学的曾湘祥团队携手厦门大学、电子科技大学等单位提出 CellNet， 探索了一条 将转录组表示为图像 的路线：用 DNA 表示编码与非编码基因身份，将表达组织成图像，通过图像块聚合，让全景转录组建模的计算成本可以承受。主体预训练使用 8 张 A800，耗时约两周。

研究 开放约 2.31 亿张、覆盖 40 个物种的 Image Atlas ，配套基因词表、测量掩码与已拟合映射，为这一方向提供可直接复用的数据底座。基于它训练的 CellNet，展示了细胞身份与状态识别、未输入基因的表达预测，以及非编码 RNA 相关基因程序检索的能力。

论文链接： https://arxiv.org/abs/2610.21943

项目网站： https://cellnet.top/

01｜为什么单细胞研究也需要 ImageNet 式的资源？

ImageNet 为计算机视觉留下了一项重要基础：不同团队可以从共同的大规模数据资源出发，训练模型、检验方法，让新的研究不断积累。

单细胞领域也正在面对这样的需求。

随着细胞图谱不断扩展，我们正在认识越来越丰富的细胞类型与状态。但理解细胞多样性，不能停留在给细胞命名。我们还希望知道：同一种细胞为什么表现出不同功能？发育、免疫应答或衰老过程中，哪些分子程序发生了变化？

这些问题，没有一份始终适用的基因清单。

对一个已知的分类任务，少量标记基因或许已经足够。但一个面向多种任务的细胞基础模型，需要面对不断变化的问题：识别新的细胞状态，预测未观测的表达，或者查询一个此前没有受到关注的非编码 RNA。

模型能够利用哪些分子信息，关系到研究者能够从哪些入口追问细胞多样性。

VASA-seq、TotalX 等全 RNA 测量技术，正在让更多非编码 RNA 进入研究视野。与此同时，如何表示这些分子、如何让它们共同参与建模，也成为需要解决的问题。逐基因分配 Token，会使分子覆盖的扩展带来计算压力；不同来源的数据，还需要反复整理基因身份、测量范围与输入表示。

因此，单细胞研究需要的 ImageNet 式资源，既要提供可以共同使用的数据，也要为规模化建模提供可行的组织方式。

Image Atlas 正是为此构建： 让全景转录组建模拥有可复用的数据底座，使新的方法和生物学问题能够从这里出发。

02｜从 DNA 到图像，让全景建模算得起

CellNet 首先用 DNA 为基因建立身份表示。

编码与非编码基因都可以追溯到 DNA 序列。以此为共同依据，模型能够表示不同类别的基因，也为查询部分未参与表达预训练的基因提供基础。

随后，研究依据 DNA 来源的基因表示，建立物种特异的二维布局。同一物种中，每个基因拥有固定的像素位置；将各细胞的表达值填入对应位置，就形成一张张转录组图像。测量掩码则保留「测量结果为零」与「没有测量」的区别。

位置固定，表达变化，一张图像承载一个细胞的转录组。

模型进一步将图像划分为图像块，聚合块内多个基因的身份与表达。大量基因由此能够共同参与细胞上下文建模，而不必各自占据一个全局 Token。

这也带来了实际的训练效率。 CellNet 在约 2.31 亿个细胞样本上完成主体预训练，使用 8 张 A800、约两周。 作为参照，UCE 论文报告在超过 3,600 万个细胞上， 使用 24 张 A100 训练 40 天 。

图像化为扩大分子覆盖提供了一条计算上可行的路线。研究据此 开放了 Image Atlas：约 2.31 亿张转录组图像、40 个物种、百万级基因身份 ，以及配套词表、测量掩码和已拟合映射。

其他团队可以复用这一基础，探索新的模型架构、预训练目标与分析方法，减少重复的数据组织和构图工作。

DNA 基因身份、图像表示与模型学习。

03｜从细胞差异，走向分子程序

在这一数据底座上，CellNet 通过同一细胞的多个遮蔽视图学习细胞表征，并结合目标基因的 DNA 身份与细胞上下文预测表达。论文围绕四个生物学问题，检验了模型的能力。

它是哪类细胞，又处在什么状态？

细胞多样性既体现在类型之间，也体现在同一种细胞的状态变化之中。低丰度群体尤其考验模型：它们在数据中占比很小，却可能是组织功能研究的重要对象。

在人类肾脏和肺的独立图谱中，研究采用供体隔离的测试，考察稀有细胞识别。CellNet 在论文比较的七套流程中取得最高的稀有类别 Macro-F1，涉及肾脏肥大细胞、壁层上皮细胞和肺肌成纤维细胞等群体。

在 CD4 T 细胞极化与 WI-38 成纤维细胞衰老实验中，模型也能够区分不同条件下的转录状态。

这为研究提供了一个起点： 辨认发生差异的细胞，再围绕它们追问相关的分子变化。

细胞身份、稀有群体与状态识别。

感兴趣的基因没有进入输入，还能从已有数据中获得什么？

研究者关心的基因，并不总在当前输入之内。对于靶向空间测量，可观测基因还受到面板范围的限制。

CellNet 将目标基因作为查询，结合已观测的细胞表达，推断目标表达。研究先隐藏目标基因，再用实际测量值检验预测。

在 TotalX 免疫细胞与发育脑数据中，冻结的 CellNet 在所设编码基因补全测试中，预测相关性优于四个比较模型。仅以编码基因为输入时，它还能预测部分非编码 RNA，保留 NEAT1、MEG3 等转录本与细胞群体相关的表达模式。

在小鼠脑 Xenium 数据中，模型同时隐藏 20 个目标基因，在不输入空间坐标的情况下，恢复了 Slc17a7、Gad1、Aqp4、Mog 等神经元与胶质细胞标志基因的空间表达模式。

已有测量由此可以支持新的分子查询。 研究者能够围绕原有输入之外的候选基因，探索其表达与细胞身份、状态的联系，为后续测量和实验筛选目标。

编码与非编码基因表达预测，以及空间表达模式。

同一个细胞里，不同基因的表达关联着哪些分子程序？

预测出表达之后，还可以进一步追问：模型从哪些已测分子中获得了线索？对于同一个细胞，不同目标基因的预测是否依赖不同的表达程序？

在单核细胞中，预测编码基因 CST3 时，模型更依赖 CD74、HLA-DRA 等抗原呈递相关 RNA；预测长非编码 RNA NEAT1 时，则更依赖 DUSP1、FOS 等应答相关 RNA。选择性移除这些输入后，相应目标的预测下降更明显。

从表达预测追溯到具体的分子线索，让研究者能够围绕一个基因，提出关于其相关功能程序的可检验问题。

编码与非编码目标预测所依赖的 RNA 输入及相关分子程序。

一个检出稀疏的非编码 RNA，能否连接到相关的基因程序？

许多非编码 RNA 只在少数细胞中被检出，直接计算表达相关性，往往难以获得清晰线索。

CellNet 结合基因身份与细胞上下文，让这些 RNA 可以作为查询，检索相关的基因组合。在一个已发表的非编码 RNA 模块中，模型在前 20 个候选里找回 15 个已知成员，表达相关性方法找回 4 个。

在人类神经诱导实验中，SERTAD4-AS1 仅在 3,423 个对照细胞中的 13 个被检出。模型仍在其前 20 个邻近基因中检索到 WNT5B、DLK1 和 SERPINF1，它们属于已有研究报告的神经干细胞相关程序。小鼠胚胎中的查询，也检索到了与间充质、神经及早期血管谱系有关的编码基因程序。

这为非编码 RNA 研究提供了一条路径： 从一个转录本出发，寻找相关的基因程序，再据此选择候选、设计功能实验，追问它与细胞状态和功能的联系。

跨 RNA 类别的分子关联与非编码 RNA 相关程序。

04｜让新的生物学问题，有共同的数据起点

理解细胞多样性，会不断带来新的细胞状态、候选分子和分析需求。

Image Atlas 提供可复用的数据底座，CellNet 展示了结合 DNA 与图像开展全景转录组建模的可行性，并将这条路线连接到细胞表征、表达预测与分子程序分析。模型产生的预测和关联线索，可以进一步进入功能实验。

2.31 亿张转录组图像所开放的，也是一套可以继续生长的研究基础： 让新的方法有数据可用，让新的问题有分子可查。