人工智能（AI）正在重塑蛋白质组学分析流程，在肽段鉴定灵敏度与定量性能上均实现显著提升。然而，受限于大规模、高质量、标注统一的数据集匮乏，深度学习模型在蛋白质组学领域的潜力尚未被充分挖掘。本文构建１个10亿级、AI就绪的质谱（MS）数据门户π-MSNet。该门户采用统一的鉴定与质控流程，整合了来自10种仪器类型、55个物种的36,356次液相色谱-串联质谱（LC-MS/MS）数据，包含超 16.6

空间组学技术的最新突破实现了亚细胞分辨率的转录组解析。通过对细胞核或细胞膜染色图像开展细胞分割，研究者可获取单细胞水平的空间基因表达数据，支撑后续生物学解读。基于深度学习的分割模型虽整体准确率优异，但在全组织分析中仍存在短板，尤其难以保障不同细胞群体的分割精度一致性。现有微调方案通常需要大规模重训练，或仅适配特定模型架构，限制了其在实际场景中的适配性与可扩展性。为解决上述问题，本文提出用于全组织单

虚拟细胞是细胞的世界模型，是可跨模态、跨尺度预测、模拟与调控细胞过程的计算系统。实现该目标的核心路径之一，是建模遗传与化学扰动引发的转录响应，这一能力对疾病研究和药物研发至关重要。现有方法高度依赖专家干预，需历经数月的手动模型设计、训练与调试迭代。本文提出融合AI编码智能体与多模态生物基础模型的自主AI系统VCHarness，可自动化构建扰动-响应模型。该系统以极低人工干预，在庞大的架构与训练流水

Transformer架构彻底革新了生物信息学，推动了生物分子特性的解析与预测。目前绝大多数生物序列Transformer仅基于单组学数据（蛋白或核酸）训练，虽在各自领域取得成功，却难以捕捉跨模态相互作用。本文提出当前最大规模开源多组学模型OmniBioTE，基于2,500亿token混合蛋白-核酸数据预训练。实验证明，仅用无标注序列训练的OmniBioTE，可自动学习基因与对应蛋白的联合表征；在

通用生物人工智能（GBAI）是种变革性方法，用于建模「生命语言」——即从DNA到细胞功能的信息流。本综述整合了生物人工智能领域的快速进展，旨在解析和生成DNA、RNA、蛋白质及细胞系统。勾勒出迈向综合系统的发展路径，这类系统可同时跨上述领域进行数据处理与预测，并行执行多项关键生物学任务。将语言人工智能与结构人工智能协同融合、利用专用模型及改进用于自主发现的人工智能智能体，蕴含着巨大机遇。

利用生成模型构建虚拟细胞以在硅基平台模拟细胞行为，正成为加速药物研发的新兴范式。但现有基于图像的生成方法易生成违背基础物理与生物约束的不合理细胞图像。针对该问题，本文提出采用强化学习（RL）对虚拟细胞模型进行后训练，将具有生物学意义的评估器作为奖励函数。本文设计了涵盖生物功能、结构有效性、形态正确性3大类的7项奖励，对当前最优的CellFlux模型斯坦福+哈佛医学院：虚拟细胞图像生成基础模型进行优

思维导图（mindmap脑图）模型核心架构核心差异。

单细胞与空间组学技术实现了细胞和组织层面的高分辨率分子谱分析，彻底革新了生物医学研究，突破了传统批量测序的核心局限，揭示了发育、机体稳态及疾病发生中至关重要的细胞异质性与空间组织结构。高通量、亚细胞水平及多组学检测技术的持续进步，推动该领域向更深层次的机制解析发展。与此同时，生成式人工智能、基础模型等计算方法快速迭代，可高效处理多模态多组学数据。这些技术突破已广泛应用于多种疾病与生物系统研究，助力

思维导图T-World与主流模型核心性能对比。

单细胞扰动研究面临双重异质性瓶颈：（1）语义异质性——相同生物概念在不同数据集的元数据schema下不兼容；（2）统计异质性——生物变异引发的分布偏移需要数据集专属的归纳偏置。本文提出HarmonyCell端到端智能体框架，通过专属机制解决上述挑战：基于大语言模型（LLM）的语义统一器无需人工干预，自动将异构元数据映射为标准接口；自适应蒙特卡洛树搜索（MCTS）引擎在分层动作空间中构建最优统计归纳