微软研究院发布 Quine：多模态生物学世界模型在胰腺癌中筛出可驱动肿瘤状态转变的化合物，一个周末完成候选优先级排序

Quine 把生物学世界模型与一个连接编排与推理模型、科学工具、文献、湿实验和科研人员的 harness 组合成一个统一系统，世界模型跨序列、结构、功能、细胞状态和影像等模态与尺度联合学习共享表征，使一个模态的证据可以支撑另一个模态的预测。 相对以往由系统编排多个单领域专家模型的做法，这里强调联合跨模态训练能保留在分离模型中会被割裂或丢失的关系，作者称这种跨连接表征的学习不是稀释性能而是增强性能，从而支持更广的生物学推理任务。 这是系统设计与训练策略层面的描述，原文以“we find”陈述跨模态联合训练增强性能，未给出具体基准、消融或量化对比，因此属于作者自述的设计主张而非独立验证的定量结论。

在 PDAC 中，Quine 被用于基于化合物驱动肿瘤细胞在治疗相关状态间转变的潜力，对数千个化合物进行预测和优先级排序；在聚焦经典态向基底态转变的湿实验中，Quine 排名最高的化合物在多项实验检测中产生了最大的预期转变。 这把“肿瘤行为与药物反应不仅取决于遗传学、也取决于转录细胞状态”的长期假设推进到可操作层面，探索非遗传特征尤其是细胞状态能否作为可干预的治疗靶点，并给出跨多个湿实验检测的验证结果。 证据来自与 Broad Institute of MIT and Harvard 研究人员合作的患者来源离体（ex vivo）模型与多项湿实验检测，原文称“validated several top-ranked candidates across multiple wet-lab assays”，但未给出化合物数量、效应量或统计指标。

从快速缩小化合物搜索空间到锁定少数有前景候选物送交实验室验证，整个过程仅用一个周末，原文称这可能节省数月实验工作和可观研究成本；部分最强效应来自作用机制出乎意料的化合物。 这提供了 AI 可发现药物重定位与发现新机会的早期证据，把计算优先级排序定位为在投入稀缺实验资源之前的探索与排序环节。 这是对工作流程耗时与化合物机制来源的叙述性说明，原文未提供与常规流程的对照时间统计或机制新颖性的系统分类，因此属于早期、方向性的证据。

反向状态转变（基底态向经典态）更难实现，Quine 预测现有化合物只会产生较弱效果；更值得注意的是，Quine 预测若干化合物会一致地把细胞推向一个不同的第三表型，这一预测在实验室得到验证，提示胰腺癌细胞状态图谱比简单的经典—基底轴更丰富。 实验不仅检验了模型的假设，还生成了新的假设，说明该细胞状态景观存在超出既有二轴框架的结构，作者据此计划用新整合的 RNA 数据集与任务来刻画这一更丰富的景观。 证据来自湿实验对模型预测的验证，原文以“an observation borne out in the lab”表述，但未给出第三表型的具体分子特征、化合物数量或定量结果。

这项工作面向的是研究用途而非临床或医疗用途，原文明确 Quine 是实验性研究技术，其输出可能不完整或不准确，需要合格研究人员审查并经过适当的科学与实验验证。它适用于在投入稀缺实验室资源之前，用计算探索、提出、排序和优先级化潜在路径，例如在 PDAC 中从数千个化合物里筛出少数候选物送交湿实验。当前访问采取分阶段方式，初期仅限 Quine Fellows 计划与特定研究合作，并配有内部审查与内置保障措施；随着技术成熟，作者预期通过 Microsoft Discovery 等产品扩大访问。作者还计划用新整合的 RNA 数据集与任务刻画更丰富的细胞状态景观、加强状态转变预测，并提供校准的置信度估计以帮助科学家优先选择最值得做湿实验的假设。

原文未说明世界模型的具体架构、训练数据规模与模态配比，也未给出跨模态联合训练优于单领域专家模型编排的定量对比，因此“增强而非稀释性能”目前是作者自述。PDAC 案例中，被预测和排序的“数千个化合物”与最终验证的“少数候选物”之间缺少精确数字，湿实验检测的种类、效应量、重复次数与统计显著性均未报告，反向转变较弱与第三表型的具体分子特征也未展开。此外，原文未提供与常规筛选流程的对照时间或成本数据，“节省数月实验工作”属于估计而非测量。这些空白意味着读者目前难以判断该流程在更广泛靶点与细胞状态上的可重复性，以及校准置信度估计何时可用。