同一种药物，为什么对不同癌细胞效果不同？即使来自同一细胞系，接受相同处理后，细胞也可能进入不同状态。仅看平均基因表达或整体存活率，往往难以解释这些差异。

2026年9月17日，Tahoe Therapeutics与Arc Institute等研究团队在Cell发表题为“Tahoe-100M: Mapping drug-induced molecular phenotypes at single-cell resolution”研究论文，构建了亿级单细胞药物扰动图谱Tahoe-100M，将遗传背景、药物剂量与细胞应答联系起来，为识别药物作用、解析应答异质性和训练细胞行为预测模型提供大规模数据基础。

课题没思路？

更贴合临床的多组学解决方案

已为超过500家医院及科研单位提供技术支持服务

研究背景

要预测细胞受到干预后如何变化，需要系统记录不同初始状态下的细胞对干预的反应。药物扰动能够改变信号传导、细胞周期和应激程序，为理解细胞调控提供切入点。然而，传统群体转录组将大量细胞的表达取平均，容易掩盖少数细胞的特殊反应，也难以区分药物究竟让群体整体改变，还是使其分化为不同状态。

单细胞RNA测序能够保留这些差异，但现有扰动数据仍受到实验批次、处理流程和条件覆盖不足的限制。尤其在特定“细胞类型—药物—剂量”组合下，细胞数量不足会影响弱效应与稀有状态的识别。

研究思路

研究团队首先利用Mosaic平台，将具有不同遗传背景的细胞系混合培养为三维球状“细胞村落”（cell villages），分别施加药物或DMSO对照处理。处理24小时后进行单细胞转录组测序，再通过组合条形码识别处理条件、通过遗传变异辨认细胞系来源，实现多种模型的并行测量。

随后，作者通过质量控制、重复实验和整体表达结构评估数据可靠性，并从细胞相对丰度、细胞周期及转录状态分布等层面提取药物应答。进一步整合多维表型，比较药物实际产生的细胞后果与既有作用机制分类。最后，将表达变化归纳为通路层面的分子特征，检验其识别药物机制的能力，并通过蛋白检测验证部分非预期通路效应及免疫相关候选发现。

主要结果

1. 混合培养与遗传拆分支撑亿级扰动图谱

为扩大筛选规模，作者将50个细胞系混合培养，分别给予药物处理，再通过单细胞测序和遗传信息拆分各细胞系的应答，使同一培养孔能够同时提供多个模型的观测结果（Fig. 1A）。这些模型覆盖13种器官来源，以肺、肠道和胰腺等为重点，并包含多种癌症相关驱动改变（Fig. 1B）。

药物库包含379种化合物，其中180种归入25类作用机制，既覆盖多条癌症相关通路，也保留机制尚不明确的化合物，为比较已知作用与发现非预期效应提供条件（Fig. 1C）。按正文报告，最小过滤后获得约1.006亿个细胞，完整质控后保留约9560万个用于下游分析。

图1｜Tahoe-100M工作流程概览

2. 大规模测量保留细胞身份并呈现较低批次影响

数据规模扩大后，首先需要判断表达差异主要来自生物学背景还是实验批次。作者利用scVI建立低维表示，并从47个主要细胞系中均衡抽样进行可视化。结果显示，细胞主要按细胞系身份分离，不同实验板来源的细胞则在相应区域内混合，支持整体表示保留遗传背景、批次影响相对较低（Fig. 2A、2B）。细胞周期注释还显示，同一细胞系内部存在不同周期状态（Fig. 2C）。

主要分析覆盖1,135种药物—剂量组合及52,886种细胞系—药物—剂量组合，每个条件的细胞数中位数为1,287。重复实验的匹配条件具有较高的伪批量表达相关性，但这种表达一致性仍需与后续衍生表型的可重复性分别判断。

图2｜Tahoe-100M中绝对基因表达的单细胞全貌

3. 多维表型区分药物敏感性与群体内部差异

作者从相对丰度、细胞周期和转录状态分布等维度量化药物应答（Fig. 3A、3B）。以KRAS G12C抑制剂adagrasib为例，回归分析识别出KRAS G12C是敏感性的重要预测特征，其关联随剂量升高更加明显（Fig. 3C、3D）。同属CDK抑制剂的药物也呈现不同后果：palbociclib偏向G1期积累，dinaciclib则偏向G2/M期积累（Fig. 3E）。

此外，adagrasib处理后的MIA PaCa-2细胞出现不同转录状态分布，提示群体应答并不均一（Fig. 3H）。作者进一步将其描述为细胞死亡相关与适应性应激相关状态，但尚未证明后者能够形成长期耐药。不同指标既有关联又不完全一致，说明单一存活读数难以概括药物的全部影响（Fig. 3I）。

图3｜Tahoe-100M中药物扰动的表型终点

4. 按实际细胞后果重新组织药物关系

既有药物分类强调靶点或作用机制，但不同机制可能产生相似后果，同类药物也可能表现不同。作者首先比较各类表型的区分能力，发现细胞周期、异质性和敏感性等指标各自更擅长识别不同药物类别，支持联合分析（Fig. 4A）。

随后，研究整合相对存活、G1与G2/M期积累、Augur、Gini及转录异质性六类指标，将379种药物划分为四个群组（Fig. 4B）。这些群组与既有机制标签存在对应关系，但并非简单复现原分类（Fig. 4C）：第一组具有较强转录应答，第二组整体转录变化较弱但偏向G2/M期积累，第三组扰动最弱，第四组偏向G1期积累（Fig. 4D–G）。由此，图谱在靶点分类之外，提供了按实际细胞反应比较药物的另一种方式。

图4｜多维表型读数揭示超越机制分类的不同聚类模式，并识别具有一致表型的药物群组

5. 通路特征揭示非预期药物效应

作者将表达变化归纳为通路层面的分子表型，发现部分作用机制能够据此区分，约半数药物类别的分类F1分数超过0.7（Fig. 5A、5B）。其中，标注为ATR抑制剂的elimusertib与MEK抑制剂具有相似特征；蛋白检测进一步显示，它能够抑制多个癌细胞系中的ERK磷酸化，支持其具有MEK–ERK通路抑制效应，但不能据此确定直接结合靶点（Fig. 5C–E）。

研究还按MHC-I和干扰素相关特征筛选候选药物（Fig. 5F），并在CFPAC-1细胞中验证elimusertib、TAK-901及部分MEK抑制剂能够提高MHC-I蛋白水平（Fig. 5G）。这些结果展示了图谱发现非预期作用的能力，但MHC-I上调尚不能直接证明抗肿瘤免疫或临床疗效得到改善。

图5｜转录组特征可按作用机制对药物分类，并揭示脱靶活性

小编总结

Tahoe-100M的核心贡献，是在统一实验框架中，将药物、剂量、遗传背景与单细胞应答连接起来。它既记录群体平均表达如何改变，也保留同一群体内部的状态差异，使研究者能够同时追问：哪些细胞更敏感、哪些程序受到影响，以及细胞是否走向不同状态。

这种设计让药物作用拥有多个可比较的维度。相同机制标签下的药物可以呈现不同周期效应，不同靶点的药物也可能产生相似后果。通路特征还能帮助发现非预期作用，再交由蛋白或功能实验检验。因此，这项资源的价值包括扩大观测范围，以及为后续验证筛选更具体的候选问题。

不过，数据规模并不意味着所有结论同样稳固。相对存活来自混合群体中的丰度变化，多数表型依赖转录组推断；不同指标的重复性也有差别，转录异质性的重复间相关性较弱。adagrasib相关适应性状态尚未完成长期功能验证，MHC-I上调也尚未等同于免疫治疗获益。

对于虚拟细胞研究，Tahoe-100M提供了学习药物诱导状态变化的数据基础，但仍受限于细胞系、混合培养和单一采样时间点。检验模型时，需要留出整种药物或整个细胞系，才能更严格地判断其是否学会了新条件下的应答规律。该文由此提供了一块可用于建模和发现的数据底座，其更广泛的预测能力仍需持续验证。

课题没思路？

更贴合临床的多组学解决方案

已为超过500家医院及科研单位提供技术支持服务