十多年前认识斯坦福的Lee Herzenberg教授的时候，她先生Len刚刚去世不久。她惋惜地对我说，"如果他还活着，会非常喜欢你的（免疫组测序）技术的！"

Herzenberg夫妇的团队研发出世界上第一台流式细胞仪，他们的（单抗）专利也是给斯坦福赚钱最多的（五亿美金，比谷歌的三点五亿还多）。我们和她实验室的杨洋博士也有多年合作，发表了几篇重量级的论文。流式细胞技术是现代免疫学的一个核心工具，很少有哪个技术比它对免疫学的贡献更大的了。

流式细胞术在科研中几乎无所不能：多参数、单细胞、活细胞、可分选。但进了临床，它却步履蹒跚。下面是AI总结出的一些有关转化难的解释：

问题不在“不准”，而在“太难标准化”。抗体来源，抗体组合、裂解方案、设门策略、操作者差异，都会让同一管血在不同实验室得到不同答案。高维数据依赖人工判读，自动化分析又难获监管认可。再加上仪器试剂昂贵、复合人才稀缺、前瞻性临床效用证据不足，流式往往只能先在血液肿瘤分型、CD4计数、移植配型等成熟场景落地，而不是全面开花。

这揭示了一个一般规律：科研技术的“强大”和临床技术的“可用”，常常是两套目标函数，两者总是矛盾着的。科研要发现新东西，所以追求无假设、高维、灵活、可探索；临床要改变决策，还要规避风险，所以追求标准化、可重复、固定阈值、快周转、低成本和明确结局获益。越强大、越灵活的技术，往往越难满足后者。

单细胞测序就是更极端的例子。它把分辨率推到单细胞和全转录组，却带来更脆弱的样本、更严重的批次效应、更复杂的数据和更长的证据链。直接作为临床常规检测极少，更多是“发现引擎”：先在科研中锁定关键细胞亚群或标志物，再降维成流式 panel、免疫组化、靶向 NGS 或血液检测，最后进入临床验证。

所以，流式的困境不是失败，而是提醒：技术转化不是把科研工具原样搬进医院，而是把“发现能力”翻译成“决策能力”。谁能完成这场降维与标准化，谁才能真正改变临床。

之所以想到这些，是和前几天谈到的"免疫力数字解码"国自然重大项目有关。因为我们做免疫组测序快20年了，论文也没少写，技术也很稳定了，可是转化到临床的速度还是不如人意。究其原因，同样是标准化的问题。免疫组测序有如下难解释的地方：

（1）用一份测序分析两次，每次能得到几万个甚至几十万上百万（多链）个克隆型序列，但是两次测序相同的克隆型比例很低。那T细胞受体alpha链来说，两次测序相同的只有15%。可重复性这么差，临床怎么用？

（2）每次测序都发现大量从未被报道过的受体序列。大量未知序列，真假难辨。

（3）受体的对应抗原未知，没有标记，如何解释其功能？

（4）正常人的免疫组应该是什么样？

我们做免疫组研究近二十年，前十年是发现这些问题，近十年的工作就是为了解答这些问题。而解答这些问题恰恰需要"数字解码"，AI，基础模型这些新能力。可以很高兴地和大家透露，这几个问题我们都有了很好的答案，也就为临床转化提供了可能。年底之前我会在国内有多次交流讲座，感兴趣的可以在南京，上海，福州，广州现场交流，我会讲更多细节。论文正在补些数据，发表后会及时分享。

跟成功转化比，论文要容易多了。当然，论文也是转化不可缺少的步骤之一，不过，我更喜欢的是为了转化而写论文，你呢？

相关博文：

诺奖获得者Baltimore对我的忠告

支持单位：