10月下旬，《自然·通讯》刊出一项由沙特国王科技大学主导的计算研究。团队开发的系统名为Unify，它把来自七个物种、相隔七亿多年的125种细胞类型接成了一张可以互相比较的网络。研究要解决的问题很具体：当物种分开太久，同一个功能背后的基因已经换了一茬，怎么判断两种细胞其实在做同一件事。
基因会随物种分化而改变。人类的免疫细胞与小鼠的免疫细胞在做类似的防御工作，鱼和苍蝇的神经元在传递信号，但掌管这些功能的基因序列可能已经面目全非。用单细胞测序读出每个细胞里哪些基因活跃，再据此画出细胞树，是常规做法。
问题出在比对环节。现有工具大多依赖基因之间的一对一匹配，进化距离越远，能找到的匹配越少。结果是一些本该被认出来的相似性被漏掉，跨物种的结论只能停在近缘物种之间，远缘的对照基本做不了。
这项研究的出发点就是承认这个限制。既然序列对不上，那就换一个维度：不比基因长什么样，比基因在做什么。
这件事的实际影响比听起来大。药物研发里大量结论来自小鼠、斑马鱼、果蝇这些模式生物，能不能推到人身上，长期靠经验与试错。如果细胞层面的对应关系能算清楚，哪些结论可迁移、哪些只在特定物种成立，就能提前有一个排序。
同时，细胞类型的命名本身也不统一。同一个名字在不同物种里指的可能不是同一群细胞，不同名字在不同实验室里也可能指同一群。跨物种比较的第一步，其实是在做一次术语对齐。
Unify的做法是用AI模型同时分析蛋白质序列与科学文献里对基因功能的描述，把功能相近的基因归并成一个个单元，团队称之为宏基因。细胞之间的比较，从基因层面往上抬了一层，变成宏基因组合的比较。
作者用了一个比喻：传统方法像查词典，逐字逐句找对应；Unify像读意思，找的是共同的生物学含义。这个区别在远缘物种上尤其明显，因为字面已经对不上，只有含义还留着。
归并带来一个副作用，需要小心处理。宏基因的划分本身就引入了人为边界，划得太粗会把不同功能混在一起，划得太细又退回到序列比对。研究团队的做法是用多组数据反复验证划分的稳定性，再拿它去做跨物种推断。
用文献描述喂模型是这套方法里最有争议的一步。基因功能注释的质量参差不齐，有的来自高通量实验，有的只是同源推断，写进模型之后会一起被继承。团队的处理是把序列与文本两路信息并行使用，让其中一路的错误不至于直接决定结论。
与纯序列模型相比，这条路的好处是可解释。模型说两个基因属于同一个宏基因，研究人员能回去看它们的注释与实验证据，而不是面对一个无法追溯的相似度分数。对一个要用于生物学推断的系统，这一点比多几分准确率重要。
在重建这125种细胞类型的关系时，系统区分出三种情况：基因完全相同、基因相似但演化出新职能、基因不同却独立演化出相同功能。第三类是最有价值的发现，因为它指向趋同演化，而传统方法几乎无法识别。
分析免疫细胞时，系统找出了多个物种共有的防御策略。另一组实验更具体：用小鼠淋巴结免疫细胞对某种免疫信号蛋白的响应，去预测人类血细胞的反应。在所有被评估的基因上，它的预测都比现有方法更准。
这类预测的用途不在于替代实验，而在于排优先级。动物实验的结果有多少能推到人身上，一直是药物研发里最贵的未知数。如果计算层面能先给出一份相似度排序，湿实验就能把资源放在更可能成立的方向上。
更值得注意的是三种关系的区分能力。基因完全不同却演化出同一功能，这类趋同现象在形态学上早有观察，在分子层面却很难系统识别。能把它挑出来，等于给比较生物学多了一把尺子，也给合成生物学提供了可借用的设计思路。
准确性方面，作者的说法是在所有被评估的基因上，预测都优于现有方法。这个表述需要配合样本范围来读：测试集覆盖的细胞类型与物种是有限的，跨到没有覆盖的组织或发育阶段，表现如何仍是未知。
作者把结论的边界写得很清楚：这是模型预测与比较结果，不等于临床结论，也不能说明动物模型的发现可以自动迁移到人类疾病。研究的覆盖范围限于所测试的细胞类型、物种与功能，超出这个范围的表现还没有验证。
下一步是把基因调控信息与细胞在组织中的位置加进来。同一个细胞类型在不同微环境里行为不同，只看表达谱会丢掉这部分信息。加上空间维度之后，跨物种比较才有可能落到组织层面。
从方法上看，这项工作代表了一类正在成型的做法：把文献里的功能描述当成结构化知识，与序列数据一起喂给模型。生命科学的文本积累比任何其他领域都厚，能不能把这部分知识用起来，正在成为新的分水岭。
它也给跨物种数据的组织方式提供了一个模板。与其每个物种单独建库、再想办法对接，不如在建模阶段就把功能作为共同语言，让物种之间的差异在比较时自然浮现。这个思路对正在快速扩张的单细胞图谱计划有直接参考价值。
需要警惕的是过度解读。一个细胞在计算上被判定为相似，不等于它在疾病中的表现相同，也不等于针对它的药物可以通用。研究者自己在论文里反复强调这一点，说明他们清楚这类结论被媒体简化之后的风险。