《自然》（Nature）雜誌於 2026 年 7 月發表了一項研究，介紹了名為 UCE（通用細胞嵌入，Universal Cell Embedding）的通用人工智慧模型，該模型無需額外訓練或人工標註，即可將不同生物的細胞置於統一的座標系中。
這項由史丹佛大學 Yanay Rosen 領導，並由 Tabula Sapiens 聯盟參與的研究開發出一種整合海量單細胞數據的新方法。這不再是無數零散的細胞圖譜，而是一張通用的地圖，讓不同組織與物種的細胞能直接進行分析與比較。
長久以來，scRNA-seq 數據整合一直是現代單細胞生物學的主要難題之一。由於技術差異、數據處理方式的不同以及生物間的演化距離，不同研究的結果往往難以合併。通常情況下，每一批新樣本都需要重新調整演算法並進行個別的細胞分類。
UCE 則採取了不同的途徑。該模型透過基因活性圖譜（一種獨特的分子「指紋」）來觀察細胞。遺傳資訊會根據大型蛋白質序列模型的知識轉換為數值表示，隨後轉換器（transformer）架構會考量基因組的組織結構，進而分析基因之間的隱藏聯繫。
該方法的核心特色在於無需預設細胞類型名稱的訓練方式。系統能自主學習生物數據的結構，練習預測基因活性並識別細胞狀態的內在規律。
該模型採用了來自人類、小鼠、斑馬魚、獼猴、鼠狐猴、豬和非洲爪蟾等八種生物的數千萬個細胞進行訓練。在此基礎上，研究人員構建了「整合型超大規模圖譜」（Integrated Mega-scale Atlas），這是一個宏大的統一細胞生命地圖。
在這張圖譜中，功能相似的細胞會被歸類在一起，而不受物種限制。神經元、免疫細胞或其他特化細胞即使相隔數百萬年的演化歷程，仍能保有其生物學上的聯繫。此外，UCE 還能分析未參與訓練的物種，從中發現先前被隱藏的相似性。
這種方法改變了人們對比較生物學的認知。與其為人類、動物和模式生物分別建立圖譜，不如建立一個通用的座標系，將組織發育、疾病、再生與演化視為整體圖景的一部分來進行研究。
對於難以蒐集大量標註數據的罕見細胞類型和研究較少的生物而言，這點尤為重要。從某個物種獲得的資訊，潛在地上能幫助我們理解另一個物種的生命過程。
UCE 屬於生物學領域新一代的人工智慧基礎模型。正如大型語言模型透過分析數十億計的文本來學習辨識人類語言結構，這類系統則是在龐大的生物數據集中學習尋找隱藏的秩序。
只是這裡的元素並非單字，而是基因、蛋白質和細胞的分子狀態。人工智慧並非被動接受每個細胞定義的解釋，而是自主形成細胞之間聯繫的內在地圖。
這開啟了計算生物學的新紀元，人工智慧不再僅是分析工具，而是成為生命複雜語言的翻譯者，協助人類看見研究單一生物時無法察覺的規律。
UCE 揭示了一個更深層的原理：在生物界巨大的多樣性背後，可能隱藏著細胞組織的共同準則。數百萬年的演化創造了無數生命形式，但其基本的細胞機制卻保持著令人驚訝的一致性。
該模型及其程式碼的開放存取，讓全球研究人員都能利用現有系統，增補新數據並擴展這張地圖。
如此一來，細胞生物學正逐漸從零散的圖譜集轉變為生命世界的單一動態地圖——在這個空間中，每一個新細胞都有助於更深刻地理解整體。
