🔬 **AI驱动的癌症免疫疗法新探索**：谷歌研究院与耶鲁大学联合发布的Cell2Sentence-Scale 27B模型，利用先进的AI技术分析单细胞数据，为癌症免疫疗法带来了新的研究视角。该模型旨在解决“冷”肿瘤难以被免疫系统识别的问题，通过模拟和预测药物效果，寻找能够增强肿瘤细胞抗原呈递能力的新疗法。

💡 **“条件性放大器”药物的发现**：模型的核心任务是识别一种“条件性放大器”药物，该药物能在特定免疫环境下，即干扰素水平较低但不足以单独诱导抗原呈递的条件下，增强免疫信号。通过对4000多种药物在两种不同情境（免疫阳性与免疫中性）下的模拟，模型成功预测了能够实现这一目标的药物。

✅ **Silmitasertib的潜力验证**：研究团队通过实验室实验验证了AI模型的预测结果。他们发现，激酶CK2抑制剂silmitasertib在与低剂量干扰素联合使用时，能够与细胞的免疫环境产生协同效应，显著提升约50%的抗原呈递水平。这一发现为将肿瘤转化为免疫系统更易攻击的“热”肿瘤提供了新的潜在治疗策略。

IT之家 10 月 16 日消息，谷歌研究院昨日（10 月 15 日）发布博文，宣布携手耶鲁大学，联合发布基于 Gemma 的 Cell2Sentence-Scale 27B（简称 C2S-Scale）模型，通过分析单细胞帮助发现新的潜在癌症治疗途径。

IT之家援引博文介绍，在癌症免疫疗法中，一大挑战是许多肿瘤对免疫系统“隐身”，被称为“冷”肿瘤。一种关键策略是通过一种名为“抗原呈递”（antigen presentation）的过程，迫使肿瘤细胞暴露免疫触发信号，从而将它们转化为免疫系统可以攻击的“热”肿瘤。

研究团队基于谷歌开源的 Gemma 系列，构建 C2S-Scale 模型，拥有 270 亿参数，赋予其一项艰巨任务：寻找一种“条件性放大器”药物。这种药物只能在特定的“免疫环境阳性”环境中增强免疫信号，这种环境中虽然干扰素（一种关键的免疫信号蛋白）水平较低，但不足以单独诱导抗原呈递。

为了实现这一目标，研究团队设计了一套双情境虚拟筛选流程。他们首先向模型输入了两种数据：一种是包含完整肿瘤与免疫互动的真实患者样本（免疫阳性情境），另一种是无免疫背景的孤立细胞系数据（免疫中性情境）。

随后，模型模拟了超过 4000 种药物在这两种情境下的效果，并被要求预测哪些药物仅在第一种情境下能增强抗原呈递。模型的预测结果极为明确，它发现激酶 CK2 抑制剂 silmitasertib（CX-4945）能产生显著的情境效应差异。

这一由 AI 生成的全新假说随后被带入实验室进行验证。研究人员在模型训练期间从未接触过的人类神经内分泌细胞上进行测试，结果惊人地证实了模型的预测。

单独使用 silmitasertib 或低剂量干扰素均效果甚微，但当两者联合使用时，细胞的抗原呈递水平出现了协同效应，实现了约 50% 的显著提升，这意味着肿瘤将更容易被免疫系统识别和攻击。

IT之家附上参考地址

• Hugging Face

• GitHub

• Scaling Large Language Models for Next-Generation Single-Cell Analysis