蛋白质大语言模型辅助跨物种单细胞转录组整合：基因同源映射的新范式

标题：蛋白质大语言模型辅助跨物种单细胞转录组整合：基因同源映射的新范式 摘要：本文介绍了一种基于蛋白质大语言模型（pLLM）的跨物种单细胞转录组整合方法，通过蛋白质序列嵌入实现基因同源映射，为比较基因组学和进化生物学研究提供了新工具。 关键词：蛋白质语言模型, 跨物种整合, 单细胞转录组, 基因同源映射, ESM-2, 计算生物学, 比较基因组学 原作者/维护者：KKzhongyi 来源平台：GitHub 原始标题：pLLM-cross-species-integration 原始链接：https://github.com/KKzhongyi/pLLM-cross-species-integration 来源发布时间/更新时间：2026-05-27T14:14:22Z

核心观点：该项目提出基于蛋白质大语言模型（如ESM-2）的跨物种单细胞转录组整合方法，通过蛋白质序列嵌入实现基因同源映射，解决传统方法依赖数据库、忽略功能保守性的问题，为比较基因组学和进化生物学提供新工具。

背景与挑战

跨物种单细胞转录组整合是计算生物学核心难题。比较不同物种相同细胞类型时，最大障碍是基因命名不一致，同源基因名称不同导致直接对齐困难。 传统方法依赖预先构建的同源数据库（如Ensembl Compara、NCBI HomoloGene），但存在覆盖不全、更新滞后问题，且仅基于DNA序列相似性，忽略蛋白质功能保守性。

方法框架

两阶段映射策略

1. 蛋白质嵌入生成：提取每个基因编码的蛋白质序列，用预训练pLLM（如ESM-2）生成嵌入向量，捕捉生化特性和结构倾向。
2. 跨物种最近邻匹配：计算余弦相似度/欧氏距离，建立一对一基因映射，优势包括发现远缘同源、鲁棒性强、效率高。

单细胞数据整合流程

1. 数据预处理：标准化和特征选择
2. 基因对齐：构建共享基因空间
3. 批次校正：消除技术批次效应（scVI、Harmony等）
4. 联合嵌入：学习细胞类型统一表示
5. 下游分析：细胞类型注释、差异表达分析、进化保守性评估

技术优势与生物学意义

• 功能层面对齐：捕捉功能相似性，即使序列分歧大仍能识别同源性。
• 处理基因复制：区分直系同源与旁系同源，提供精确映射。
• 支持非模式生物：无需完善注释，只要有蛋白质序列即可生成嵌入，降低研究门槛。

应用场景

• 进化发育生物学：比较胚胎发育轨迹，识别保守程序。
• 疾病模型研究：映射人类疾病细胞状态到小鼠模型，评估有效性。
• 药物靶点发现：识别跨物种保守靶点，评估转化医学可行性。
• 比较免疫学：研究免疫细胞类型的保守性与多样性。

局限性与未来方向

局限性：

• 目前主要支持一对一映射，未处理复杂多对多关系。
• 仅适用于蛋白质编码基因，非编码RNA整合需其他策略。
• 不同pLLM模型性能差异需系统评估。

未来方向：

• 整合多序列比对信息。
• 开发特定物种群微调策略。
• 与单细胞预训练模型（如scGPT）联合建模。

结语

pLLM-cross-species-integration项目将前沿蛋白质语言模型应用于比较基因组学问题，通过生物序列语义嵌入连接进化生物学与深度学习。随着单细胞技术普及和pLLM进步，这类方法将成为多物种细胞图谱标准工具，推动对生命多样性和统一性的理解。