夜雨聆风当CRISPR-Cas9凭借精准的基因剪切能力成为生命科学的“明星工具”，研究者们却始终被它的瓶颈所困：多基因组合敲除成本高到难以承受、必需基因敲除后细胞直接死亡无法观测、动物模型的结果难以转化到人类……
如今，虚拟敲除这一AI与单细胞多组学融合的革命性技术，彻底打破了物理实验的边界。它无需触碰真实的DNA链，就能在数字世界中模拟基因失活的全局效应，正在重构药物研发、肿瘤研究和发育生物学的整个工作流。
顶刊都在用的「虚拟敲除」到底是啥？他与传统敲除相比有哪些优势？我们又该如何将其引入到自己的实验当中呢？今天就带大家一起探讨。
联系丸子，解锁更多小分子靶点筛选、蛋白互作技术干货~
一、到底什么是虚拟敲除？
简单来说，虚拟敲除是纯计算驱动的基因功能研究方法：它不通过基因编辑技术物理破坏目标基因，而是依托基因调控网络模型或单细胞基础大模型，在计算机中阻断目标基因的信息流，推演其失活后细胞、组织乃至整个系统的表型变化。
目前主流的技术路线有三条，分别对应不同的研究场景：
把单细胞转录组数据抽象成“基因交通网”，每个基因是网络中的节点，基因间的调控关系是连接节点的道路。
● 先通过野生型细胞数据构建完整的基因调控网络；
● 虚拟敲除时，直接切断目标基因的所有“出度道路”（即阻断它向所有下游基因传递信号）；
● 对比敲除前后网络的变化，找出受影响的基因和通路。
代表工具：
scTenifoldKnk（张量分解+流形对齐）、GenKI（变分图自编码器，解决传统方法的计算伪影问题）。
将单细胞转录本视为“生命语言”，用千亿级参数的Transformer模型学习基因间的“语法规则”。
● 预训练阶段：模型学习大量单细胞数据中基因表达的序列规律；
● 虚拟敲除时：像“屏蔽文章中的某个关键词”一样，删除目标基因的词元；
● 模型自动推演“关键词缺失”后，整个“句子（细胞状态）”会发生什么变化。
代表工具：
Geneformer（3000万细胞预训练，秩值编码技术）、scGPT（3300万细胞预训练，零样本预测能力）。
针对微生物代谢和细胞代谢研究，构建全基因组尺度的代谢反应网络。
● 基于“基因-蛋白质-反应”的映射规则，用数学优化方法计算代谢流的分布；
● 虚拟敲除时，将目标酶对应的代谢反应通量强制设为0；
● 重新计算网络达到新稳态时的代谢流变化，找到关键的代谢节点。
代表工具：
COBRA Toolbox、FindTargetsWEB。
二、与传统实验敲除对比有哪些优势？
物理敲除（如CRISPR-Cas9）仍是验证基因功能的“金标准”，但虚拟敲除在通量、成本、安全性和适用范围上，展现出了互补优势：
具体来说，这4个优势解决了传统研究的核心痛点：
① 突破组合筛选的通量天花板：
探索合成致死需要筛选大量双基因组合，物理实验构建文库的成本和难度难以承受，而虚拟敲除能轻松覆盖所有未被测试的组合空间。
② 规避CRISPR的“假阳性”陷阱：
CRISPR切割DNA引发的双链断裂，会导致非特异性细胞死亡，常让研究者误判基因为“必需基因”，虚拟敲除则完全没有这个问题。
③ 破解必需基因的“致死悖论”：
维持细胞生存的核心基因一旦被物理敲除，细胞会立即死亡，研究者永远看不到它如何调控系统稳态；虚拟敲除能完整呈现基因缺失后转录网络的崩溃过程。
④ 消除动物模型的转化障碍：
小鼠与人类的基因调控网络存在巨大差异，很多在小鼠中有效的靶点在人体临床试验中失效；虚拟敲除可直接基于人类肿瘤、临床活检样本进行推演。
三、虚拟敲除有哪些应用场景？
这项技术已经从理论走向实战，在多个关键领域取得了突破性成果：
合成致死是抗癌药物开发的核心方向（如BRCA突变与PARP抑制剂）。传统CRISPR筛选效率低且难以评估正常细胞毒性，而虚拟敲除可基于肿瘤细胞系图谱，高通量预测基因互作。
案例：
在肝细胞癌研究中，研究者通过虚拟敲除发现ARID1A与TEAD1存在强合成致死信号，后续物理敲低TEAD1后，ARID1A突变的肝癌细胞出现显著的增殖停滞。
虚拟敲除能精准模拟切断肿瘤与免疫细胞间的通信，预测免疫治疗的响应和耐药机制。
案例：
在泛癌肿瘤微环境研究中，虚拟敲除恶性细胞的TSPAN6基因后，发现PD-L1等免疫抑制配体的表达显著下调，能有效激活耗竭性T细胞；在NRAS突变黑色素瘤研究中，虚拟敲除揭示了STAT3在耐药细胞中的通路重构，指明了联合抑制STAT3与RAS的治疗方案。
无需构建基因敲除动物模型，就能快速解析致病基因的分子机制。
案例：
针对杜氏肌营养不良症的致病基因Dmd，虚拟敲除后筛选出190个显著受影响的下游基因，这些基因高度富集在肌动蛋白收缩、细胞外基质互作通路，与患者肌肉无力的临床表型完全吻合。
针对多重耐药菌，虚拟敲除能快速锁定致命的代谢节点，加速抗生素研发。
案例：
对铜绿假单胞菌的全基因组代谢网络进行单反应级虚拟敲除，筛选出一旦失活就会导致细菌无法合成生物量的绝对必需节点，并直接对接药物数据库评估可成药性。
四、如何把虚拟敲除融入你的实验？
对于传统湿实验研究者，无需精通复杂的算法，按照这5个标准化步骤，就能快速上手虚拟敲除技术：
● 只有单一物种/细胞系的野生型单细胞数据：选scTenifoldKnk或GenKI，挖掘基因共表达模块和调控中枢；
● 有大型异质性细胞图谱，需要零样本推演：选Geneformer或scGPT等单细胞基础大模型；
● 研究细胞代谢或微生物工程：选COBRA Toolbox或FindTargetsWEB，进行通量平衡分析。
原始数据的质量直接决定预测结果的准确性：
● 用Seurat或Scanpy过滤劣质细胞（如线粒体基因比例＞10%、文库深度＜500的细胞）；
● 提取方差最大的2000-5000个高变基因，降低矩阵稀疏度的干扰；
● 按照模型要求转换格式（如Geneformer需要Loom文件，scGPT需要AnnData格式）。
直接使用预训练模型难以精准预测特定研究场景，需要进行微调：
● 以Geneformer为例，保持12层Transformer隐藏层非冻结，用低学习率（5×10-5）训练约10个Epoch；
● 注意防止数据泄露：仅用细胞的宏观状态（如是否激活）作为标签，隐藏已知靶标信息。
图算法工具：
复制野生型网络邻接矩阵，将目标基因所在行的权重全部设为0；
大模型工具：
调用对应的扰动模块，删除目标基因的词元；
代谢模型工具：
将目标反应的通量上下限设为0，重新计算稳态流分布。
● 用余弦相似度、Wilcoxon秩和检验等方法量化扰动前后的表型漂移，通过KEGG/GO富集分析找到关键通路；
● 最重要的一步：将计算得出的高优先级候选靶点，投入CRISPR编辑、免疫荧光、蛋白质印迹等湿实验中验证，形成严谨的数据闭环。
结语
虚拟敲除技术正在打开生命科学研究的“数字维度”，它让我们能以极低的成本、极高的通量，探索物理实验无法触及的基因功能空间。当然，虚拟敲除并非要取代传统湿实验，而是与它们形成强大的互补：AI负责在数字世界中快速筛选海量假说，湿实验负责验证核心结论，而定量蛋白质组学则是连接两者的关键桥梁。
未来，随着多模态虚拟细胞技术的发展，我们终将实现对生命系统的精准模拟与重构，为攻克癌症、罕见病等疑难疾病带来全新的希望。
从干实验到湿实验：蛋白质组学为虚拟敲除画上完美句号
虚拟敲除主要基于转录组数据进行推演，而蛋白质才是生命功能的直接执行者。转录水平的变化是否能转化为蛋白水平的效应、是否存在翻译后修饰的调控，这些都需要定量蛋白质组学来验证和补充。
联系丸子，了解更多~
联系丸子，了解更多~
推荐
谱度众合：细胞/动物模型定量蛋白质组学解决方案
为了帮助研究者完成从“虚拟预测”到“功能验证”的完整闭环，谱度众合推出细胞/动物模型定量蛋白质组学解决方案，完美承接虚拟敲除的研究成果：
✔ 全流程服务：从细胞沉淀/动物组织样品的蛋白提取、酶解，到高分辨液质联用检测，再到全套生物信息学分析，一站式交付；
✔ 多维度深度分析：提供差异蛋白筛选、GO/KEGG/Hallmark富集分析、GSEA分析、蛋白质互作网络构建，综合差异显著性、功能相关性和网络重要性，筛选最多20个关键蛋白和20条关键通路；
✔ 个性化定制：可根据你虚拟敲除的靶基因、施加的药物/病毒刺激，进行针对性的数据库挖掘和关联分析；
✔ 论文级交付：提供符合SCI发表标准的结果图表，以及方法学和结果的中英文描述文案，直接助力论文撰写。
参考文献
1. Heirendt L, Arreckx S, Pfau T, et al. Creation and analysis of biochemical constraint-based models using the COBRA Toolbox v.3.0. Nat Protoc. 2019;14(3):639-702.
2. Osorio D, Zhong Y, Li G, et al. scTenifoldKnk: an efficient virtual knockout tool for gene function predictions via single-cell gene regulatory network perturbation. Patterns (N Y). 2022;3(3):100434.
3. Srivatsa S, Montazeri H, Bianco G, et al. Discovery of synthetic lethal interactions from large-scale pan-cancer perturbation screens. Nat Commun. 2022;13(1):7346.
4. Yang Y, Li G, Zhong Y, et al. Gene knockout inference with variational graph autoencoder learning single-cell gene regulatory networks. Nucleic Acids Res. 2023;51(13):6578-6592.
5. Fang L, Pan H, Zhu Y. Integrating computational engines to identify TSPAN6 as a migrasome-associated target for immunotherapy sensitization. Front Immunol. 2026;17:1782717.
