位于圣卡洛斯的Precigenetics由硬件工程师、计算生物学家和细胞生物学家创立，旨在使药物发现真正与人类生物学相关。 今天，我宣布我们的2026计划：将我们的测量扩展为细胞状态的基础数据集。🧵

Precigenetics 正在构建一个生物光子学–AI 引擎，以理解细胞状态在时空中的变化。 我们的使命超越了 AI，超越了疾病，这关乎于数字化和理解生物学。 一个 AI 虚拟细胞图谱需要一个通用的表示。

AI 甚至没有理解的语言——普遍的表征——来掌握一个活着的人类细胞的复杂性。 我们的硬件提供了缺失的层次。

是时候全力以赴，创建改变我们与活生物体互动方式的数据集了。 传统测量设备无法捕捉到-omics的各个层面——我们已经在活细胞中解锁了代谢组学、脂质组学和某些形式的表观基因组学。

里程碑： 构建动态人类细胞状态的基础数据集：活细胞轨迹、成千上万的药物-细胞和药物-模型相互作用，涵盖患者来源的3D培养和器官芯片系统。

映射药物如何重新编程活细胞以构建人类细胞的动态模型是这一生中最重要的工作。

我们的平台基于无标记光学、微流体技术和AI的进步，记录活人细胞在响应药物、基因编辑和微环境变化时的非破坏性高光谱视频。

从每个轨迹中，我们提取与组学和结果对齐的丰富生化指纹，学习细胞状态如何演变以及哪些干预措施真正重要。

这些数据以及基于这些数据训练的模型，使得设计组合疗法变得更加容易，降低毒性风险，并揭示全新的疾病生物学类别——从肿瘤学开始。

我们将每个实验视为一部电影，而不是快照：每个细胞数千个时间点，亚细胞空间分辨率，以及对药物和刺激的控制灌注。

这让我们能够在传统终点之前很早就看到线粒体、脂质和氧化还原通量的变化；这些是疗效、耐药性或毒性的前体。

我们现在正在构建虚拟细胞状态模型：预训练的基础模型，用于学习基因、通路和环境在活细胞中的相互作用。

我们的模型不仅仅从静态的RNA或蛋白质水平学习，而是从完整的化学轨迹中学习。

通过将这些光学轨迹与RNA-seq、表观基因组学和临床背景对齐，我们构建了可以模拟“如果”干预并预测细胞在实验运行之前的反应的表示。

我们相信，我们的新里程碑将是我们迄今为止最重要的使命，我们准备好在今天以及整个2026年迎接它。

请与可能对这种努力感兴趣的人分享。 我们的目标是使生物学在时间上真正数字化，而在理解疾病方面，我们相信我们确实处于一场革命的开始。 是时候开始建设了。