1 亿个免疫细胞配 1.1 万份分泌蛋白：GSK、辉瑞、赛诺菲出钱，给虚拟细胞模型补上一直缺的那层数据
导语
10 月 29 日，单细胞测序公司 Parse Biosciences（QIAGEN 旗下）和蛋白组学公司 Nomic Bio 宣布了一个叫 Cascade 的联合数据集项目：用 12 名健康供体的免疫细胞，做 1 亿条单细胞 RNA 测序图谱，同时在同一批样本上测 1.1 万余份分泌蛋白图谱，覆盖 15 万种以上的扰动条件。GSK、辉瑞、赛诺菲，加上 Graph Therapeutics 和 Turbine，是已公布的基础合作伙伴。
这件事的重点不是"又一个更大的单细胞数据集"。过去三年，虚拟细胞模型缺的从来不是细胞数量，而是细胞把蛋白分泌出去之后的那一层信息——转录组看得见基因有没有打开，看不见蛋白到底有没有被分泌、分泌了多少。Cascade 想补的就是这一层。（本文基于多家媒体转述整理，核心事实以 Business Wire / Parse 官方新闻稿为准，技术细节参考 GEN、Tech Times 等报道。）
3分钟看懂
- 谁做的：Parse Biosciences（单细胞测序，2025 年被 QIAGEN 以 2.25 亿美元收购）+ Nomic Bio（高通量蛋白组学，核心是 nELISA 技术）。
- 做什么：一个面向 AI 模型训练与评测的免疫扰动数据集，名字叫 Cascade。
- 多大：1 亿条单细胞 RNA-seq 图谱、1.1 万余份分泌组蛋白图谱、15 万种以上单细胞与组合扰动，多时间点采样，12 名健康供体，至少 14 种免疫细胞。
- 谁在用：GSK、辉瑞、赛诺菲三家大药厂是基础合作伙伴，另有 Graph Therapeutics、Turbine 两家做计算/湿实验闭环的公司。
- 怎么拿到：数据集以授权方式提供（available for licensing），数据正在生成中；官方没有承诺开放科学。
- 最该记住的一句：这是一次"补数据层"的动作，不是发布模型。它瞄准的是虚拟细胞模型最要命的一个盲区——转录组预测得再准，也预测不出细胞往组织里释放了什么蛋白信号。
为什么"分泌蛋白"这一层一直缺
单细胞 RNA 测序测的是 mRNA。一个免疫细胞被细胞因子或药物刺激后，mRNA 水平确实会变，但蛋白分泌发生在转录的下游：翻译效率、囊泡运输、分泌通路动力学，每一层都会改写最终释放到胞外的量。所以"这个细胞打开了 IL-6 的基因"和"这个细胞真的往周围分泌了多少 IL-6"，是两件不同的事。
对药物研发来说，差别很实际。做免疫肿瘤、炎症、自身免疫的药企，真正想预测的不是"基因表达变成什么样"，而是"组织层面的免疫行为会怎么变"——T 细胞会不会被招募进来、巨噬细胞会不会被抑制、旁边那些细胞会不会被重新编程。这些行为靠的都是分泌出去的细胞因子、趋化因子、生长因子和蛋白酶。
Nomic 早前的 nELISA 工作（发表于 Nature Methods，2025 年 11 月）已经验证过这个缺口真实存在：在一个约 1 万孔、191 重蛋白 panel、6 名供体、80 种细胞因子扰动的概念验证数据集里，他们发现了一批 RNA-seq 方法完全没捕捉到的蛋白效应。两种数据不是冗余关系，而是同一套生物学的两个不重叠窗口。
数据是怎么凑出来的
RNA 那一半由 Parse 的 GigaLab 做，用的是 Evercode 分裂池组合条形码化学：细胞在固定透化状态下被反复分池、加条码、合并，三到四轮之后每个细胞都拿到一个唯一组合标签，不需要微流控芯片。官方口径的 GigaLab 年产能是 25 亿个细胞；此前的 Tahoe-100M 数据集就是一个月内产出的，另有与 Tahoe Therapeutics 合作的 3 亿细胞扰动图谱在进行中。
蛋白那一半由 Nomic 的 Omni 1000 平台做：每颗荧光微球上挂一种已验证抗体，对应 1000 多种目标蛋白之一，样本加进去之后用标准流式细胞仪读。因为每颗微球是独立免疫分析、不在混合抗体池里互相竞争，所以绕开了传统多重 ELISA 通常只能做到 50–100 重、且交叉反应严重的限制。公开口径的指标是 99.99% 特异性、0.1 pg/mL 灵敏度、日通量 1000 份样本以上，端到端价格约 50 美元/样本。Cascade 里 Nomic 测的是细胞培养上清——也就是免疫细胞释放到培养基里的那部分蛋白。
两边按供体、扰动条件、时间点逐条对齐，这就是"多模态、时间分辨"的含义：同一份样本既有转录组读数，也有分泌组读数，而且不是只取终点，是沿时间轴取多个点。这样早信号、瞬时响应、延迟分泌这些只用终点会丢掉的现象才有机会被模型学到。
数据集长什么样，能拿来干什么
官方给的用法有四类：训练、适配、基准测试、评测。具体到研究动作上，比较实在的是这几种：
- 训练多模态预测器：输入扰动条件，同时预测转录组状态和分泌蛋白谱，而不是只预测基因表达。
- 做留出评测：把某些供体或某些扰动整体留出来，看模型能不能泛化到没见过的生物学背景——这是虚拟细胞领域最缺的评测方式，现在大多数榜单都是在同分布里比。
- 验证跨层预测：检验"某种细胞状态变化能不能预测下游分泌谱"，也就是把转录组当自变量、分泌组当因变量来做因果性检验。
- 给疾病特异数据集做参照系：Cascade 是健康供体基线，疾病样本的数据集可以挂在它上面做对照，减少"每个实验室各测一套、互相对不上"的问题。
需要注意，这些都要等数据真正交付。官方说法是"数据生成正在进行中"，目前没有任何一条数据公开可下载，也没有第三方在这些数据上跑过任何基准。所以现在能评价的只有设计与规模，不是效果。
和同行比，它在什么位置
- Xaira 的 X-Cell（2026 年 3 月）：49 亿参数，训练于 2560 万个受扰动单细胞转录组、16 种生物学背景。纯转录组。
- Tahoe + Arc Institute + Biohub（2026 年 1 月）：1.2 亿+ 单细胞数据点、22.5 万药物-患者交互，明确承诺开放科学。也是纯转录组。
- Cascade：1 亿细胞 + 1.1 万份分泌组，规模上不是最大，但加了一个别人没有的模态，而且是 consortium 模式、以授权方式分发，没有开放科学承诺。
这个对比里最值得留意的是最后一点。Tahoe-100M 和 Arc Virtual Cell Atlas 一直是学术团队训练与评测虚拟细胞模型的主要公开数据来源。Cascade 的联盟结构意味着基础合作伙伴会拿到优先访问权，是否向更广范围开放要看后续联盟决定。对高校里做虚拟细胞的研究者来说，这可能意味着又一个只能看论文、拿不到数据的大数据集。
对药企来说逻辑正好相反：三家大药厂愿意在数据还没生成完的时候就挂名，说明它们认可"分泌组这一层值得一起出钱"。Tech Times 的分析把这层意思讲得比较直白——这套数据是为有 AI 基础设施的工业级药物项目设计的，不是主要作为公共科学资源。
怎么用：适用场景与不适用场景
先说适用场景。如果你是做虚拟细胞/扰动预测的算法团队：把 Cascade 当成一个"多模态留出评测"的候选集来规划，重点看它的时间分辨设计——单终点数据集上刷出来的分数，迁移到时间序列任务上往往会掉。等授权条款公布后再决定是否投入。
如果你在药企做免疫相关靶点或转化研究：这类数据的价值在假设生成，不在结论。它能帮你把候选扰动空间压缩一个量级，但每一个预测仍需湿实验确认，这一点和所有虚拟细胞工具一样。
不适用场景：想直接预测临床疗效、想替代动物实验、想拿它做患者分层——都不行。Cascade 是 12 名健康供体的 PBMC、细胞培养上清体系，没有组织微环境、没有病人样本、没有体内药代。把它当体外免疫信号基线是合理的，当疾病模型就过度外推了。
避坑：四个容易写错的地方
- 别把"1 亿细胞"当成"1 亿种条件"。1 亿是 RNA 图谱条数，扰动条件是 15 万量级，两者差三个数量级，很多转述会把这两个数字混着写。
- 别把分泌组当成血浆蛋白组。测的是培养上清，不是血清，跨体系外推要非常小心。
- 注意 consortium 的访问门槛。授权、优先访问、是否公开，这三件事目前都还没有细则。
- 别急着引用"最大"。官方和媒体用的是 "largest resource of its kind ready for AI"，限定语是"这类"（多模态免疫扰动数据），不是所有单细胞数据集里最大。
行动建议
- 算法团队：先看 Cascade 的授权条款与时间分辨设计，把「留出供体 / 留出扰动」作为默认评测设置，别只在同分布上比分数。
- 药企转化团队：把它当假设生成器，进入项目前先想清楚哪一条湿实验能证伪模型的预测。
- 关注数据开放度的人：盯 consortium 后续是否公布公开访问条款——这决定它会不会变成又一个「只能看论文、拿不到数据」的大数据集。
一句话总结
虚拟细胞模型这几年一直在拼细胞数量和参数规模，Cascade 换了个方向：把"细胞到底分泌了什么"这层长期缺失的标签补上，并且用三家大药厂的合作把这个方向钉在了工业需求上。它现在还是一个承诺——数据在生成、条款未公布、没有基准——但缺哪一层数据这件事，行业里没有争议。
参考来源
- Business Wire 官方新闻稿（BioSpace 全文转载，2026-10-29）：https://www.biospace.com/press-releases/nomic-and-parse-build-a-multimodal-time-resolved-dataset-for-ai-models-of-immune-response
- Parse Biosciences 官方新闻页：https://www.parsebiosciences.com/news/parse-biosciences-and-nomic-announce-100-million-cell-multimodal-ai-ready-dataset-for-immune-biology
- GEN，2026-10-30：https://www.genengnews.com/topics/omics/100-million-cell-ai-ready-dataset-with-single-cell-and-proteomic-data-created-by-parse-and-nomic/
- Tech Times，2026-10-31：https://www.techtimes.com/articles/329816/20261031/parse-nomic-launch-cascade-ai-immune-drug-discovery-gets-its-missing-protein-signal.htm
- Kingy AI，2026-10-31：https://kingy.ai/news/cascade-ai-powered-drug-discovery
- BioPharma APAC，2026-11-01：https://biopharmaapac.com/news/97/8621/parse-biosciences-and-nomic-bio-launch-100-million-cell-immune-dataset-to-advance-ai-drug-discovery.html