美国哥伦比亚大学与斯坦福大学等机构的研究人员提出了一种名为“Squidiff”的生成框架，能够基于单细胞转录组数据，预测细胞在分化、基因扰动、药物或辐射刺激下的动态变化，实现高分辨率的细胞状态建模与虚拟实验预测，为药物筛选与损伤修复研究提供新工具。相关研究成果于2025年11月3日发表在《自然·方法》期刊上。

Squidiff基于扩散模型构建，包括语义编码器和条件去噪扩散模型。语义编码器负责将单细胞转录数据映射至潜在语义空间，从中提取具有生物学意义的特征；扩散模型则通过“加噪-去噪”的双向过程，学习基因表达的生成规律。训练完成后，模型可在潜在空间中进行插值与向量运算，模拟细胞在发育或外界刺激下的连续状态变化。

该方法的优势在于无需依赖预设轨迹或先验知识，即可自动学习细胞间的复杂关系，并通过语义变量实现数据生成。在血管类器官的发育、辐射损伤及药物干预实验中，Squidiff表现出稳健的性能，能够虚拟筛选分子景观并模拟细胞命运转变过程，为揭示细胞行为调控机制提供了新视角。

信息来源：

https://www.nature.com/articles/s41592-025-02877-y

https://mp.weixin.qq.com/s/-JjPtLSsM1tpVRerjh-sxg