2025年3月25日，西湖大学医学院郭天南团队在《Cell Research》上发表了题为《Grow AI Virtual Cells: Three Data Pillars and Closed-Loop Learning》的评述文章，探讨了人工智能虚拟细胞（AIVCs）的发展前景。AIVCs的核心理念在于通过人工智能和多模态数据的整合，构建准确且可扩展的虚拟细胞模型。相较于传统的虚拟细胞建模方法，AIVCs能够更全面地模拟细胞功能，具备高通量仿真能力，甚至在某些情况下可以代替传统实验室实验。

文章详细探讨了AI虚拟细胞（AIVCs）的构建方法以及未来发展方向，提出AIVCs依赖于三大数据支柱——先验知识、静态结构和动态状态，并强调高通量组学数据，特别是微扰蛋白质组学数据，在动态模拟中的关键作用。研究进一步引入了闭环主动学习系统（Closed-Loop Active Learning Systems），这个系统结合AI预测和自动化实验，能够实现自适应优化，加速细胞建模和科学发现。

为了验证AIVC理念的可行性，研究团队建议从信息丰富但结构较简单的酵母（Saccharomyces cerevisiae）细胞模型展开，之后逐步扩展至更复杂的人类癌细胞系。这将推动AIVCs在生物医学、药物开发和个性化医疗中的应用，造福广大患者。

背景介绍

细胞是生命的基本单位，对于理解健康、衰老、疾病及药物开发至关重要。然而，传统的细胞实验通常消耗大量资源，而且实验结果容易受到变异的影响，导致可重复性差。因此，研究人员提出了虚拟细胞（Virtual Cells）或数字细胞（Digital Cells）的概念，以降低实验成本，提升研究的准确性与效率。早期虚拟细胞模型主要依赖于低通量生化实验，采用微分方程或随机模拟方法建模特定细胞过程，而这些方法在数据整合和动态模拟方面存在局限性，难以全面描述细胞的复杂性。

随着高通量生物技术和人工智能（AI）的进步，人工智能虚拟细胞（AIVCs）成为一种新的研究方向。它将多模态数据与先进的计算模型相结合，为生物医学研究提供了全新的可能性。

三大数据支柱：AIVCs的基础构建

文章提出了AIVCs构建的三大数据支柱：先验知识、静态结构和动态状态。这些数据与AI算法相结合，为虚拟细胞的构建提供了必要基础。先验知识包括生物医学文献、分子表达数据与多尺度成像数据，虽然数据庞大且多样，但信息分散，难以直接构建完整的AIVC，因而需要作为基础框架。静态结构涉及细胞的形态学与分子组成，动态状态则涵盖生理过程与外部微扰带来的影响。高通量组学技术的发展使得对细胞状态下大量分子的变化进行系统性分析成为可能，从而提高AIVC的准确性。

文章指出，基于微扰的组学数据，特别是在转录组学、蛋白质组学及代谢组学领域的进展，对于推动AIVCs的开发至关重要。而微扰蛋白质组学数据在这些数据中尤其显得重要。通过AI整合微扰数据，AIVC能够更精准地预测细胞对外部干预的反应，为药物开发和细胞建模提供强有力支持。

AIVCs的进化：闭环主动学习系统

AIVCs正在向自适应进化系统发展，其中闭环主动学习系统（Closed-Loop Active Learning Systems）是关键。该系统结合AI预测与机器人实验，主动探索细胞动态状态并填补数据空白，能够有效识别知识缺口、设计实验并执行扰动，实时优化模型，显著加速科学研究。例如，AI能够识别影响因素并指导实验以深入解析生物过程。

低门槛切入点：选择适合的细胞模型

AIVCs的细胞模型选择显得尤为重要。研究人员建议从酵母细胞入手，因其具备简单但高度信息化的特点，并且在生物学和药物筛选领域已广泛应用。随着研究的深入，人类癌细胞系将成为下一个重要目标，以推动精准医学和药物开发。

总结

未来，AIVCs有望在药物开发、疾病建模和基础生物学研究中发挥重要作用，而科学界的协同合作对推动这一领域的发展至关重要。因此，建立AIVCs的标准和最佳实践，将成为推动计算生物学及生物医学研究变革潜力的必经之路。

与此同时，尊重科学、追求卓越的品牌精神将不断引领我们为医学和科学研究做出贡献——尊龙凯时人生就博，将推动我们在细胞模型及药物研发领域不断取得新突破。