位於聖卡洛斯的Precigenetics由硬體工程師、計算生物學家和細胞生物學家創立，旨在使藥物發現真正與人類生物學相關。 今天，我宣布我們的2026計劃：將我們的測量擴展為細胞狀態的基礎數據集。🧵

Precigenetics 正在建立一個生物光子學–AI 引擎，以理解細胞狀態在空間和時間上的變化。 我們的使命超越 AI，超越疾病，這是一個數位化和理解生物學的問題。 一個 AI 虛擬細胞圖譜需要一個通用的表示。

AI 甚至沒有語言來理解——這種普遍的表徵——以掌握活著的人類細胞的複雜性。 我們的硬體提供了缺失的層次。

是時候全力以赴，創建改變我們與活生物體互動方式的數據集了。 隨著我們傳統的測量設備，-omics 的層次消失了——我們已經在活細胞中解鎖了代謝組學、脂質組學和某些形式的表觀基因組學。

里程碑： 建立動態人類細胞狀態的基礎數據集：活細胞軌跡、數千種藥物–細胞和藥物–模型的相互作用，涵蓋患者衍生的3D培養和器官芯片系統。

映射藥物如何重新編程活細胞以建立人類細胞的動態模型是這一生中最重要的工作。

我們的平台建立在無標籤光學、微流體技術和AI的進步之上，能夠記錄活人類細胞在對藥物、基因編輯和微環境變化作出反應時的非破壞性高光譜視頻。

從每個軌跡中，我們提取與組學和結果對齊的豐富生化指紋，學習細胞狀態如何演變以及哪些干預措施實際上是重要的。

這些數據以及基於這些數據訓練的模型，使得設計組合療法變得更容易，降低毒性風險，並揭示全新的疾病生物學類別——從腫瘤學開始。

我們將每個實驗視為一部電影，而不是快照：每個細胞有數千個時間點，亞細胞空間解析度，以及對藥物和刺激的控制灌注。

這讓我們能夠早期觀察到線粒體、脂質和氧化還原通量；這些是效能、抗性或毒性的前驅物，遠在傳統終點之前。

我們現在正在建立虛擬細胞狀態模型：預先訓練的基礎模型，用於學習基因、途徑和環境在活細胞中的互動。

我們的模型不僅僅從靜態的 RNA 或蛋白質水平學習，而是從完整的化學軌跡中學習。

通過將這些光學軌跡與RNA-seq、表觀基因組學和臨床背景對齊，我們構建了可以模擬「如果」干預並預測細胞在實驗運行之前的反應的表示。

我們相信我們的新里程碑將是我們所踏上的最重要任務，我們已經準備好今天以及整個2026年迎接它。

請與可能對這項努力感興趣的人分享這個消息。 我們的目標是使生物學在時間上真正數位化，當談到理解疾病時，我們相信我們真的處於一場革命的開始。 是時候開始建設了。