人工智能正助力生物学家从复杂细胞数据中看清疾病全貌。在癌症等疾病的诊断与治疗研究中，分析患者细胞中的基因表达、蛋白质水平或细胞形态等信息至关重要，但不同测量方式获取的数据各具特点，且信息来源位置不同，传统方法难以整合这些多维度数据。 为解决这一难题，麻省理工学院和哈佛大学的布罗德研究所与瑞士联邦理工学院（ETH Zurich）及保罗谢勒研究所（PSI）的研究团队共同开发了一种新型人工智能框架。该框架能智能区分哪些细胞状态信息是多种测量手段共有的，哪些仅来自特定技术。通过精准定位信息来源，研究人员可获得更完整、更清晰的细胞“全景图”，有助于揭示癌症、阿尔茨海默病和糖尿病等疾病的深层机制。 该方法的核心在于重新设计机器学习模型结构。传统方法使用独立模型处理每种测量数据（如转录组学、染色质结构等），并将所有信息混合压缩，导致难以追溯数据来源。而新框架采用“共享+独立”双空间设计：一部分编码跨模态共享信息，另一部分专门保存每种技术独有的数据。这类似于用维恩图来表示细胞数据的重叠与差异。 研究人员还设计了两步训练流程，使模型能准确判断新数据中哪些信息是共有的，哪些是特定模态独有的。在合成数据和真实单细胞数据上的测试均证明，该方法能有效识别基因活动的共享部分（如转录组与染色质可及性之间的关联），并准确分离出仅由某一技术捕获的信息。 此外，该模型还能帮助临床科学家判断哪种检测手段最适于测量特定生物标志物，例如DNA损伤相关蛋白。在资源有限的情况下，这能指导研究者选择最高效的检测方式，避免重复实验。 研究团队负责人、MIT教授卡罗琳·乌勒（Caroline Uhler）表示，单纯整合数据还不够，关键在于“比较”不同模态之间的关系，才能理解细胞内部各组件如何相互调控。未来，团队计划提升模型的可解释性，拓展其在更多临床问题中的应用。 该研究由布罗德研究所艾瑞克与温迪·施密特中心、瑞士国家科学基金会、美国国立卫生研究院、美国海军研究办公室、阿斯利康、MIT-IBM沃森AI实验室、MIT J-诊所机器学习与健康中心及西蒙斯学者奖等资助。成果已发表于《自然·计算科学》。