关键要点
- 清华大学江瑞团队的单细胞表观基因组基础模型 EpiAgent,入选 2025 年中国生物信息学十大进展,名单由《Genomics, Proteomics & Bioinformatics》于 2026 年 3 月 23 日公布。
- 模型有 14 亿参数,训练语料 Human-scATAC-Corpus 覆盖约 500 万个细胞、350 亿个调控元件。
- 核心做法是把单个细胞的调控元件压成「细胞语句」,让模型学习基因调控的语法,而不是逐个元件去读。
- 论文发表于《Nature Methods》2025 年第 22 卷;数据入库 ENSEMBL,代码在 GitHub 开源。
给基因组开关写一门语言
DNA 是一个细胞的正文,表观基因组则是页边的批注:那些决定哪个基因在哪种细胞、什么时候被打开的化学标记。肝细胞和神经元带着同一套基因组却行为迥异,答案很大一部分写在批注里。
麻烦在规模。一个细胞可以携带数百万个调控元件,逐个去读既慢又碎。
江瑞的团队把它当成语言问题处理。EpiAgent 把单个细胞的调控元件压成短序列,研究者称之为「细胞语句」,再把这些序列喂给一个学习基因调控语法的模型。
这个基础模型有 14 亿参数,训练语料是团队自建的 Human-scATAC-Corpus,覆盖约 500 万个细胞、350 亿个调控元件。清华称 EpiAgent 是首个为单细胞表观基因组构建的基础模型——这是校方的说法,不是独立判断。
论文与那次评选
工作发表在《Nature Methods》2025 年第 22 卷,第 2316 至 2327 页,标题为「EpiAgent: foundation model for single-cell epigenomics」,DOI 为 10.1038/s41592-025-02822-z。
期刊记录对分工写得很清楚:江瑞构思研究、指导项目,是通讯作者;第一作者陈晓阳负责收集与处理数据,并设计、实现和验证模型。署名单位落在清华自动化系及其生物信息相关机构,包括北京信息科学与技术国家研究中心。
2026 年 3 月 23 日,《Genomics, Proteomics & Bioinformatics》公布 2025 年中国生物信息学十大进展,EpiAgent 论文入选。把一篇相当技术性的论文推到更大读者面前的,是这个年度评选,而不是一项新结果。
「虚拟细胞」能改变什么
EpiAgent 有意思的地方不是参数规模,而是团队说它能用那套压缩表示做什么。
- 整合过去只能碎片化分析的大规模、脏乱的表观基因组数据。
- 预测肿瘤细胞对内外部扰动的反应,而不必把每个实验都在实验室里跑一遍。
- 模拟某个调控元件的「虚拟敲除」,看下游会起什么变化。
- 支撑所谓「虚拟细胞」范式——在湿实验设计之前,先在一个模型上探一探。
这些都不取消实验,只是改变哪些实验被优先做。一个模型若能指出一百个调控元件里哪几个值得研究,可能省掉几个月的试错——这也是这类工作引来机器学习圈之外关注的原因。
数据与代码都已公开。训练数据放在 ENSEMBL 数据库,由 27 个已发表数据集,加上一组来自 10x Genomics 的 30 个 PBMC 样本整合而成;代码托管在 GitHub 开放仓库。这一点很重要:一个「基础模型」的说法,只有在别人能检查、能复现时才对领域有用。
更大的转向
江瑞的项目是中国研究里一个更大模式的一部分:原本为文本和图像打造的基础模型,被转向科学数据。同样的思路出现在蛋白质结构、气象和材料上。这里的特别之处在目标——不是预测某段序列,而是为序列之上的那层控制建模。
对普通读者,关联是间接但真实的。癌症如何产生耐药、细胞如何随年龄改变,表观基因组都在背后。更好的基因调控模型本身不产出疗法,但它塑造研究者接下来问的问题。
诚实的局限
本文关键事实来自《Nature Methods》论文与清华关于获奖的官方发布;两者都权威,但描述的是不同的事。论文确立模型被造来做什么、由谁造;奖项是期刊评审流程给出的一次认可,不是现实影响力的度量。「首个单细胞表观基因组基础模型」是清华自己的表述,应按此理解。扰动预测、虚拟敲除、虚拟细胞这些能力,是特定数据集上的研究结果,不是经过验证的临床工具。所查资料中,没有对整套系统的独立复现。读者应把 EpiAgent 看作一项扎实的研究贡献,而不是通往新疗法的既定路径。
普通人现在能做什么
- 如果你做计算生物学,起点是那篇开放的《Nature Methods》论文和 GitHub 仓库,不是获奖公告。
- 评估 AI for science 的说法时,把模型公开的基准结果与「虚拟细胞」的更大抱负分开看。
- 如果你关注中国科研,盯住是否有其他团队在独立数据上复现 EpiAgent——那才是真正重要的检验。