В июле 2026 года в журнале Nature было опубликовано исследование, представляющее UCE (Universal Cell Embedding) — универсальную модель искусственного интеллекта, способную размещать клетки разных организмов в единой системе координат без дополнительного обучения и ручной разметки.
Разработка исследователей из Стэнфорда под руководством Яная Розена при участии консорциума Tabula Sapiens предлагает новый способ объединения огромных массивов данных одиночных клеток. Вместо множества отдельных клеточных атласов появляется общая карта, где клетки разных тканей и видов можно анализировать и сравнивать напрямую.
Одной из главных проблем современной одноклеточной биологии долгое время оставалась интеграция данных scRNA-seq. Результаты разных исследований часто сложно объединять из-за технических различий, особенностей обработки данных и эволюционной дистанции между организмами. Обычно каждая новая выборка требовала настройки алгоритмов и отдельной классификации клеток.
UCE предлагает иной подход. Модель рассматривает клетку через её профиль активности генов — уникальный молекулярный «отпечаток». Генетическая информация преобразуется в числовые представления, основанные на знаниях больших моделей белковых последовательностей, после чего архитектура трансформера анализирует скрытые связи между генами с учётом организации генома.
Главная особенность метода — обучение без заранее заданных названий клеточных типов. Система самостоятельно изучает структуру биологических данных, учась предсказывать активность генов и выявлять внутренние закономерности клеточных состояний.
Модель была обучена на десятках миллионов клеток из восьми видов, включая человека, мышь, рыбку данио-рерио, макак, мышиного лемура, свинью и африканскую шпорцевую лягушку. На этой основе был создан Integrated Mega-scale Atlas — масштабный единый атлас клеточной жизни.
В этом атласе клетки со сходными функциями располагаются рядом независимо от вида организма. Нейроны, иммунные или другие специализированные клетки сохраняют свои биологические связи, даже если их разделяют миллионы лет эволюции. Более того, UCE способна анализировать виды, которые не участвовали в обучении модели, обнаруживая ранее скрытые сходства.
Этот подход меняет представление о сравнительной биологии. Вместо отдельных карт человека, животных и модельных организмов появляется универсальная система координат, позволяющая изучать развитие тканей, болезни, регенерацию и эволюцию как части единой картины.
Особенно важным это может стать для исследования редких типов клеток и малоизученных организмов, где невозможно собрать огромные размеченные базы данных. Информация, полученная на одном виде, потенциально может помогать понимать процессы у другого.
UCE относится к новому поколению фундаментальных моделей искусственного интеллекта в биологии. Подобно тому как большие языковые модели учатся распознавать структуру человеческой речи, анализируя миллиарды текстов, такие системы учатся находить скрытый порядок внутри огромных массивов биологических данных.
Только вместо слов здесь — гены, белки и молекулярные состояния клеток. Искусственный интеллект не получает готового объяснения, чем является каждая клетка, а самостоятельно формирует внутреннюю карту связей между ними.
Это открывает новую эпоху вычислительной биологии, где ИИ становится не просто инструментом анализа, а своеобразным переводчиком сложного языка жизни — помогая увидеть закономерности, которые невозможно заметить при изучении отдельных организмов.
UCE показывает более глубокий принцип: за огромным разнообразием живых существ могут скрываться общие правила клеточной организации. Миллионы лет эволюции создали бесчисленные формы жизни, но их фундаментальные клеточные механизмы сохраняют удивительное единство.
Открытый доступ к модели и её коду позволяет исследователям по всему миру использовать готовую систему, добавлять новые данные и расширять эту карту.
Так клеточная биология постепенно превращается из коллекции отдельных атласов в единую динамическую карту живого мира — пространство, где каждая новая клетка помогает лучше понять целое.
