药物研发中，“老药新用”的发现过程犹如大海捞针。现有AI模型在面对全新细胞或药物时往往失效。一项发表在《Nature Computational Science》的研究带来了突破，名为CRISP的AI框架，利用基础模型和迁移学习，成功实现了对未知细胞类型与未知药物反应的精准预测，为加速药物研发和精准医疗提供了全新范式。
智能速览
现有AI模型在预测未知细胞或药物反应时存在泛化瓶颈。
CRISP框架融合了单细胞基础模型与化学分子预训练模型。
CRISP在未知细胞和未知药物的“零样本”预测测试中表现卓越。
该模型能有效克服不同测序平台间的“批次效应”。
CRISP成功预测肝癌药物索拉非尼治疗白血病的潜在新机制。
精华内容
CRISP的突破性在于它不再依赖“死记硬背”，而是借鉴了基础模型的强大泛化能力。下面将深入解析其架构设计、卓越性能及实战应用。
打破泛化瓶颈
传统药物反应预测模型如scGen、CellOT，往往要求预测的细胞类型必须在训练集中出现过，一旦面对全新细胞或药物，其预测能力会大幅下降。CRISP框架另辟蹊径，巧妙融合了scGPT等单细胞基础模型与化学分子预训练模型。
通过构建一个特定细胞类型的配对控制编码器，CRISP将未受扰动的细胞状态作为“基准锚点”，利用迁移学习模拟药物扰动后的轨迹。这种设计使其能够举一反三，从根本上解决了模型的泛化难题。
零样本预测极限
为验证CRISP的“举一反三”能力，研究团队设计了严苛的测试。在NeurIPS数据集上，当预测从未见过的细胞类型对药物的反应时，CRISP的相关性系数比当时最先进方法高出41%。
在SciPlex3数据集的“双盲”测试中，即同时面对未知药物和未知细胞，CRISP的预测准确度依然领先第二名约17.5%。这表明，即使面对完全陌生的药物-细胞组合，CRISP也能画出精准的反应图谱。
无视平台差异
单细胞测序数据存在严重的“批次效应”，不同实验室、不同测序平台（如10x Genomics与Smart-Seq2）的数据难以直接比较，这对AI模型的通用性构成挑战。
得益于独特的训练策略和基础模型的鲁棒性，CRISP展现了强大的跨平台适应能力。它无需额外校准，就能将在一个数据集上学到的知识直接迁移到另一个不同平台的数据上，并在预测方向准确性上优于所有基线模型。
老药新用验证
技术的价值最终要落到应用。研究人员利用CRISP进行了一次虚拟药物筛选，将肝癌药物索拉非尼与慢性粒细胞白血病（CML）细胞系K562的数据输入模型。
CRISP成功预测出索拉非尼能有效诱导CML细胞的线粒体功能障碍，并通过抑制关键的CXCR4信号通路来发挥抗白血病作用。这一预测不仅与现有临床认知高度吻合，也得到了独立二期临床试验的佐证，证明了其发现新疗法的潜力。
CRISP的出现，标志着单细胞药物反应预测从“专才”向“通才”的跨越，为药物重定位提供了高效的虚拟筛选工具。它将全球的细胞图谱转化为可预测的药物扰动空间。未来，随着多模态数据的融合，这类模型将如何重塑个性化医疗和新药发现的流程？
