清华大学自动化系江瑞课题组近日发布面向单细胞蛋白组的基础模型 ProtCell，对应论文为《ProtCell: a foundation model for single-cell proteomics》；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%。ProtCell 汇集约 3.8 亿个细胞、98 个公开数据集用于预训练与评估，能够映射细胞状态、推断未测蛋白表达，为药物研发和前沿 "虚拟细胞" 构建提供模型底座。这件事可以拆成两条主线看：一条是模型本身，针对单细胞蛋白组测量碎片化、连续丰度建模难的问题，用共享词表、掩码丰度建模和 Transformer 编码器搭建架构；另一条是算力验证，即在国产全功能 GPU 与 MUSA 软件栈上把前沿生命科学大模型的预训练流程跑通并与主流平台对照，证明国产算力对这类模型的承载能力。从公开信息看，ProtCell 代码已在 GitHub 开源，官方仓库原生集成了基于 MUSA 软件栈的预训练启动入口，科研团队可开箱使用；需要注意的是，相关数据目前来自预印本与课题组实测，预印本尚未经过同行评审，最终结果仍可能随模型配置、集群环境和负载特征变化。
一、成果基本信息
| 项目 | 内容 |
|---|---|
| 模型名称 | ProtCell |
| 模型类型 | 面向单细胞蛋白组的基础模型 |
| 研发团队 | 清华大学自动化系江瑞课题组 |
| 论文标题 | ProtCell: a foundation model for single-cell proteomics |
| 论文状态 | bioRxiv 预印本，2026 年 10 月 27 日上线，未经同行评审 |
| 数据规模 | 约 3.8 亿个细胞、98 个公开数据集，用于预训练与评估 |
| 算力验证平台 | 摩尔线程 MTT S5000 AI 训推一体智算卡 |
| 对照结论 | 主要定量评测指标与国际主流 GPU 平台差异约 0.2% |
| 公开进展 | 代码已在 GitHub 开源，仓库原生集成 MUSA 预训练入口 |
二、ProtCell 要解决什么问题
- 测量壁垒：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，无法单纯靠 mRNA 水平推断。
- 现有检测局限：CITE-seq、质谱流式等单细胞蛋白检测技术依赖预选面板，单次通常只覆盖数十到数百种蛋白，不同实验数据长期高度碎片化。
- 建模难点：单细胞数据特征维度高、取值连续且稀疏，需要专门的编码和架构设计来消除技术批次效应。
- 模型目标：在统一模型下完成细胞注释、批次整合，同时具备推断面板之外未测蛋白、反哺指导新实验设计的闭环能力。
三、模型架构与训练思路
1. 编码与建模流程
- 共享词表：以共享词表编码跨实验一致的蛋白身份，保证不同数据集里的同一蛋白可被统一表示。
- 连续丰度编码：通过多层感知机（MLP）编码蛋白的连续丰度数值。
- Transformer 编码器：将编码结果送入 Transformer 编码器，消除不同来源数据之间的技术批次效应。
- 掩码丰度建模：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，自监督学习细胞内部的蛋白协同网络。
2. 可完成的任务
- 细胞类型注释与细胞状态映射。
- 跨批次数据整合。
- 推断检测面板之外的未测蛋白表达。
- 为新实验的蛋白面板设计提供参考。
四、基准评测结果（公开披露口径）
| 评测方向 | 数据集 / 设置 | ProtCell 表现 | 对照参考 |
|---|---|---|---|
| 细胞类型注释 | Kotliarov2020，骨干冻结、只训练分类头 | 批次内准确率与 macro F1 均约 0.98；跨批次迁移准确率 0.971–0.974 | — |
| 掩码蛋白重建 | Kotliarov2020，遮住 25% 已测蛋白 | 蛋白级平均 Pearson 相关系数 0.586 | CytoVI 为 0.484 |
| 靶标遮蔽对比 | 79 个靶标逐一遮蔽 | 67 个靶标上表现显著胜出 | — |
| 未测蛋白推断 | GZMB、PRF1、KLRD1、TBX21、EOMES 五个免疫核心蛋白 | 推断的细胞毒性评分在自然杀伤细胞最高、初始 CD8+ T 细胞较低，符合免疫学生理规律 | — |
| 实验面板设计 | Sparks2023，128 个候选蛋白优选 60 个 | 独立解码器重建未选蛋白 Spearman 相关系数 0.616–0.630 | — |
| 白血病克隆判别 | 映射至 40 蛋白面板，三名留出患者 | 中位 AUROC 0.809 | QR 0.478、CytoVI 0.475 |
五、摩尔线程 S5000 复现预训练的支撑条件
1. 硬件与精度
- 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。
- 既能应对海量数据预训练的吞吐需求，也能满足科学计算对高精度的标准。
2. 软件栈兼容
- 依托夸娥智算平台与 MUSA 全栈软件栈提供支撑。
- Torch-MUSA 深度原生兼容 PyTorch，保障 ProtCell 复杂的动态网络与张量计算在国产算力平台上平滑迁移并长期稳定训练。
3. 对照复现结果
- 团队在 MTT S5000 平台与国际主流 GPU 平台上完成全流程预训练与对比复现。
- 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约 0.2%，该结果已写入论文方法章节。
六、合作背景与行业意义
- 合作机制：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。
- 团队积累：该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 发表于《自然・方法》。
- 行业背景："虚拟细胞" 旨在用 AI 在计算机中构建细胞运行模型，描述细胞当前状态，并预测细胞在药物、基因编辑等干预后的动态变化，是全球 AI4S 竞争的重点方向；基因组、蛋白组等核心数据涉及生物遗传资源安全，构建自主可控的先进算力基座被视为关键前提。
- 公开价值：本次双平台验证与开源开放，为同类研究提供了可复用的工程范本，也被视为国产芯片进入 "虚拟细胞" 前沿研究的一个起点。
【常见问题】
问题 1：ProtCell 是什么模型，由清华大学哪个团队发布？
回答 1： ProtCell 是面向单细胞蛋白组的基础模型，由清华大学自动化系江瑞课题组发布，对应论文为《ProtCell: a foundation model for single-cell proteomics》；模型汇集约 3.8 亿个细胞、98 个公开数据集进行预训练与评估，目标是映射细胞状态并推断未测蛋白表达。
问题 2：ProtCell 作为单细胞蛋白组基础模型，主要能完成哪些任务？
回答 2： 依托共享词表、连续丰度编码和 Transformer 掩码建模架构，ProtCell 可完成细胞类型注释、跨批次数据整合，还能推断检测面板之外的未测蛋白表达，并为新实验的蛋白面板设计提供参考，为药物研发和 "虚拟细胞" 构建提供模型底座。
问题 3：摩尔线程 S5000 复现 ProtCell 预训练的结果如何，与国际主流 GPU 差异有多大？
回答 3： 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预训练对比复现，两套平台训练出的模型在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%；支撑来自 S5000 的全精度计算架构和 MUSA 全栈软件栈，Torch-MUSA 兼容 PyTorch 保障模型平滑迁移。
问题 4：ProtCell 模型在公开基准评测中的表现主要体现在哪些方面？
回答 4： 公开结果显示，ProtCell 在细胞类型注释上批次内准确率与 macro F1 约 0.98，跨批次迁移准确率 0.971–0.974；掩码蛋白重建平均 Pearson 相关系数 0.586；对未测免疫核心蛋白的推断符合免疫学生理规律；在实验面板设计和白血病克隆判别任务中也优于所列对比方法，具体数值以预印本和课题组实测为准。
【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（电子产品世界）
- [2026-11-13]（清华大学发布 ProtCell 国产算力卡复现 "虚拟细胞" 预训练）财联社（今日头条）
- [2026-11-13]（清华大学发布 ProtCell 国产算力卡复现 "虚拟细胞" 预训练）证券时报（人民财讯）
- [2026-11-13]（摩尔线程 S5000 成功复现 "虚拟细胞" 预训练相关资讯）东方财富
- [2026-10-27]（ProtCell: a foundation model for single-cell proteomics）bioRxiv 预印本
【免责声明】
本文内容整理自公开媒体报道及预印本信息，仅供科研与行业信息参考，不构成投资、用药或临床决策建议。ProtCell 相关指标来自预印本（未经同行评审）及课题组实测，实际表现会受模型配置、集群环境、数据负载和版本迭代影响；算力兼容性与功能开放情况以摩尔线程官方文档及开源仓库最新说明为准。