中文内容
Gemma 模型如何帮助发现新的潜在癌症治疗通路
2025 年 10 月 15 日
·我们推出基于 Gemma 开放模型家族、用于单细胞分析的全新 270 亿参数基础模型。
一般摘要
Google DeepMind 与 Yale 创建了 C2S-Scale，这是一个基于 Gemma 开放模型家族的新模型。该模型识别出一种药物组合，可能使肿瘤更容易被免疫系统识别，从而提供一种新的癌症治疗思路。研究人员现在可以访问该模型和相关资源，在此工作的基础上继续研究。
Summaries were generated by Google AI. Generative AI is experimental.要点
本文讨论了 C2S-Scale，这是一种帮助发现潜在癌症治疗通路的新 AI 模型。C2S-Scale 基于 Google 的 Gemma 构建，预测出一种药物组合可增强“冷”肿瘤中的免疫信号。实验室测试证实了模型预测：silmitasertib 与 interferon 可放大抗原呈递。这一发现为使肿瘤更容易被免疫系统识别提供了新思路。C2S-Scale 模型和相关资源现已向研究人员开放，供其探索和进一步开发。
Summaries were generated by Google AI. Generative AI is experimental.探索其他样式：
- 一般摘要
- 要点
今天，作为我们与 Yale University 研究合作的一部分，我们发布 Cell2Sentence-Scale 27B（C2S-Scale），这是一种全新的 270 亿参数基础模型，旨在理解单个细胞的语言。C2S-Scale 基于 Gemma 开放模型家族构建，代表了单细胞分析的新前沿。
这一公告标志着 AI 在科学领域的一个里程碑。C2S-Scale 生成了一个关于癌症细胞行为的新假设，我们随后通过活细胞中的实验验证确认了它的预测。这一发现揭示了一条有前景的、用于开发抗癌疗法的新通路。
此次发布建立在我们今年早些时候工作的基础之上，当时我们证明了生物模型遵循明确的缩放定律——就像自然语言一样，更大的模型在生物学任务上表现更好。这项工作提出了一个关键问题：更大的模型只是更擅长现有任务，还是能够获得全新的能力？扩展规模的真正前景在于创造新想法，以及发现未知。
C2S-Scale 27B 的工作原理
癌症免疫治疗中的一个主要挑战是，许多肿瘤是“冷”的——对人体免疫系统不可见。使其变“热”的一项关键策略，是迫使它们通过称为抗原呈递的过程展示触发免疫反应的信号。
我们给新的 C2S-Scale 27B 模型布置了一项任务：寻找一种作为条件性放大器发挥作用的药物，即只在特定“免疫背景阳性”环境中增强免疫信号；在这种环境中，低水平的 interferon（一种关键免疫信号蛋白）已经存在，但不足以单独诱导抗原呈递。这需要一种条件推理水平，似乎是规模带来的涌现能力；我们较小的模型无法解析这种依赖背景的效应。
为实现这一点，我们设计了一个双背景虚拟筛选，以寻找这种特定的协同效应。该虚拟筛选包括两个阶段：
- 免疫背景阳性：我们向模型提供了保留肿瘤—免疫相互作用且具有低水平 interferon 信号的真实患者样本。
- 免疫背景中性：我们向模型提供了没有免疫背景的分离细胞系数据。
随后，我们在两种背景下模拟了 4,000 多种药物的作用，并要求模型预测哪些药物只会在第一种背景中增强抗原呈递，以使筛选偏向与患者相关的环境。在模型标出的众多候选药物中，一部分（10–30%）药物命中项已在既往文献中被认识，而其余药物则是令人意外的命中项，此前并无已知关联。
从预测到实验验证
模型的预测很明确。它发现了激酶 CK2 抑制剂 silmitasertib（CX-4945）一个显著的“背景分裂”。模型预测，当 silmitasertib 应用于“免疫背景阳性”环境时，抗原呈递会显著增加；但在“免疫背景中性”环境中几乎没有或没有影响。令这一预测如此令人兴奋的是，它是一个新颖想法。尽管 CK2 已被认为涉及许多细胞功能，包括作为免疫系统调节因子，但文献中尚未报道通过 silmitasertib 抑制 CK2 会明确增强 MHC-I 表达或抗原呈递。这表明模型生成的是一个新的、可检验的假设，而不只是重复已知事实。
然而，预测只有在能够在临床应用中得到验证时才有价值。真正的检验首先在实验室中进行，最终则在临床中进行。
在项目的下一阶段，我们把这一假设带到实验台，并在人类神经内分泌细胞模型中进行了测试——这种细胞类型在模型训练期间完全未见过。实验显示：
- 仅用 silmitasertib 处理细胞对抗原呈递（MHC-I）没有影响。
- 仅用低剂量 interferon 处理细胞产生了适度影响。
- 同时使用 silmitasertib 和低剂量 interferon 处理细胞，产生了显著的、协同放大的抗原呈递。
值得注意的是，在我们的实验室测试中，silmitasertib 与低剂量 interferon 的组合使抗原呈递大约增加了 50%，这会使肿瘤更容易被免疫系统识别。
模型的计算机模拟预测在体外多次得到确认。C2S-Scale 成功识别出一种新的 interferon 条件性放大器，揭示了一条使“冷”肿瘤变“热”、并可能对免疫治疗更有反应的新潜在通路。尽管这只是早期的第一步，但它为开发新的联合疗法提供了一个强有力且经过实验验证的线索；联合疗法使用多种药物协同作用，以实现更稳健的效果。
这一结果还为一种新的生物学发现方式提供了蓝图。它表明，通过遵循缩放定律并构建 C2S-Scale 27B 这样更大的模型，我们可以创建足够强大的细胞行为预测模型，用于开展高通量虚拟筛选、发现受背景条件影响的生物学现象，并生成具有生物学依据的假设。
Yale 的团队目前正在探索此处揭示的机制，并在其他免疫背景中测试更多由 AI 生成的预测。通过进一步的临床前和临床验证，这类假设最终或许能够加速通向新疗法的路径。
开始使用 C2S-Scale 27B
新的 C2S-Scale 27B 模型及其资源今天已面向研究社区开放。我们邀请你探索这些工具，在我们的工作基础上继续推进，并帮助我们继续翻译生命的语言。
- 阅读 bioRxiv 上的完整科学预印本。
- 在 Hugging Face 上探索模型和资源。
- 在 GitHub 上访问代码。
- AI 产品
- 健康
