谷歌&耶魯等發布270億參數模型，為癌癥治療揭示全新潛在路徑

編輯丨coisini

今年早些時候，谷歌聯合耶魯大學等證實生物模型與自然語言處理類似，同樣遵循擴展定律：模型規模越大，在生物學任務中的表現就越出色。

這引出了一個關鍵問題：擴大模型規模僅能提升現有任務性能，還是能催生全新能力？谷歌認為：規模化的真正價值在于創造新思路、探索未知領域。

現在，谷歌聯合耶魯大學等正式發布 Cell2Sentence-Scale 27B（C2S-Scale 27B）。這個擁有 270 億參數的新基礎模型基于 Gemma 開源模型構建，旨在解讀單個細胞的「語言」，標志著單細胞分析領域邁入新前沿。

論文地址：https://www.biorxiv.org/content/10.1101/2025.04.14.648850v2

模型地址：https://huggingface.co/vandijklab/C2S-Scale-Gemma-2-27B

項目地址：https://github.com/vandijklab/cell2sentence

C2S-Scale 針對癌細胞行為提出了創新性假設，研究團隊通過活體細胞實驗驗證了其預測準確性。

谷歌 CEO 桑達爾?皮查伊（Sundar Pichai）發推稱贊道：「C2S-Scale 為癌癥治療提供了全新可能路徑。」此次發布是人工智能在科學領域的重要里程碑。

C2S-Scale 27B 技術原理

癌癥免疫治療面臨的核心難題在于許多腫瘤屬于「冷腫瘤」，即無法被人體免疫系統識別。使其轉化為「熱腫瘤」的關鍵策略是通過「抗原呈遞」過程，迫使腫瘤細胞展示免疫觸發信號。

研究團隊賦予 C2S-Scale 27B 模型一項特殊任務：尋找能作為條件放大器的藥物 —— 僅在特定「免疫環境陽性」條件下（即已存在低水平干擾素但不足以獨立誘導抗原呈遞的環境）增強免疫信號。

這需要模型具備條件推理能力，而這種能力正是模型規模擴展后涌現的新特性 —— 小規模模型無法解析這種環境依賴效應。

為了實現上述目標，研究團隊設計了雙環境虛擬篩選方案來捕捉特定協同效應。該虛擬篩選包含兩個階段：

• 免疫環境陽性：向模型提供具有完整腫瘤 - 免疫相互作用及低水平干擾素信號的真實患者樣本；
• 免疫環境中性：向模型提供無免疫背景的孤立細胞系數據。

研究團隊模擬了 4000 多種藥物在兩種環境下的作用，要求模型預測哪些藥物僅在第一種環境中能增強抗原呈遞，使篩選更貼近臨床相關場景。

值得注意的是，在模型篩選出的候選藥物中，部分（10-30%）在既往文獻中有所記載，其余則是令人驚訝的新發現 —— 此前與篩查目標并無已知關聯。

從預測到實驗驗證

模型的預測結果非常明確：它發現 CK2 激酶抑制劑 CX-4945 存在顯著的「環境分化效應」。模型預測該藥物在「免疫環境陽性」條件下能強力增強抗原呈遞，而在「免疫環境中性」條件下幾乎無效。

這一預測的創新性令人振奮：盡管 CK2 已知參與多種細胞功能（包括免疫調節），但文獻從未報道過 CX-4945 通過抑制 CK2 來顯著增強 MHC-I 表達或抗原呈遞。這表明模型正在生成可驗證的新假設，而非簡單復述已知事實。

研究團隊將假設帶入實驗室，在人類神經內分泌細胞模型（模型訓練時未接觸過的細胞類型）中進行測試。實驗結果證實：

• 單獨使用 CX-4945 對抗原呈遞（MHC-I）無影響
• 單獨使用低劑量干擾素僅產生有限效果
• 聯合使用 CX-4945 與低劑量干擾素可產生顯著的協同放大效應

值得注意的是，實驗室測試中聯合療法使抗原呈遞提升約 50%，這將顯著增強腫瘤的免疫系統可見度。

模型的預測在體外實驗中多次得到驗證。C2S-Scale 成功識別出新型干擾素條件放大器，為「冷」腫瘤轉化為「熱」腫瘤揭示了潛在新路徑，有望提升免疫療法響應率。盡管這僅是初步突破，但 C2S-Scale 為開發新型聯合療法提供了經實驗驗證的重要線索。

此項成果同時構建了生物發現的新范式：遵循擴展定律構建如 C2S-Scale 27B 的大型模型，能創建足以運行高通量虛擬篩選的細胞行為預測系統，發現環境條件化生物機制，并生成基于生物學的可靠假設。

感興趣的讀者可以閱讀論文原文，了解更多研究內容。

參考內容：

https://x.com/sundarpichai/status/1978507110477332582

https://blog.google/technology/ai/google-gemma-ai-cancer-therapy-discovery/