2025年3月25日，西湖大学医学院郭天南团队在Cell Research发表了一篇题为《Grow AI Virtual Cells: Three Data Pillars and Closed-Loop Learning》的评述文章，讨论了人工智能虚拟细胞（AIVCs）的未来发展方向。AIVCs的核心理念是通过整合人工智能和多模态数据，构建精确而可扩展的虚拟细胞模型。与传统虚拟细胞建模方法相比，AIVCs能够更全面地模拟细胞的功能，具备高通量仿真能力，在某些情况下甚至可以代替实验室实验。

文章深入探讨了AIVCs的构建方法与发展路径，强调其依托于三大数据支柱——先验知识、静态结构和动态状态，并指出高通量组学数据（特别是微扰蛋白质组学数据）在动态模拟中的关键作用。研究进一步提出了闭环主动学习系统（Closed-Loop Active Learning Systems），将AI预测与自动化实验相结合，实现自适应优化，加速细胞建模与科学发现。为确保AIVC概念的实施可行性，研究团队建议从酵母（Saccharomyces cerevisiae）等简单而信息丰富的细胞模型入手，逐步扩展至更复杂的人类癌细胞系，以推动AIVCs在生物医学、药物开发和个性化医疗中的应用。

背景介绍

在生物医学研究中，细胞是生命的基本单位，对于理解健康、衰老、疾病以及药物开发至关重要。然而，传统细胞实验需要消耗大量资源，并且结果易受变异影响，导致可重复性问题。因此，研究人员提出虚拟细胞（Virtual Cells）或数字细胞（Digital Cells）的概念，以降低实验成本并提高研究的准确性与效率。早期的虚拟细胞模型主要依赖于低通量的生化实验，并通过微分方程或随机模拟方法来建模特定细胞过程。然而，传统方法在数据整合和动态模拟方面存在局限，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）的快速发展，AIVCs逐渐成为一种新的研究方向，结合多模态数据和先进计算模型，开辟了生物医学研究的新可能性。为了更好地支持AIVCs的发展，研究提出的三大数据支柱包括先验知识、静态结构和动态状态。这些数据通过AI算法整合，为虚拟细胞构建提供了必要基础。

三大数据支柱：AIVCs的基础构建

先验知识包括生物医学文献、分子表达数据及多尺度成像数据，涵盖细胞生物学的基本机制。尽管这些数据庞大且多样，但信息分散，难以直接用于构建全面的AIVC，因此只能作为基础框架。

静态结构是AIVC的第二个支柱，涉及细胞的形态学和分子组成，包括纳米尺度的分子建模、低温电子显微镜以及空间组学等技术。这些数据提供了细胞的三维结构信息，但无法反映细胞的动态变化。为了构建真正“活”的AIVC，动态状态的获取至关重要，它涵盖生理过程（如衰老、发育、疾病）及外部微扰（如基因编辑、药物刺激）带来的影响。

文章表明，基于微扰的组学数据尤其是微扰蛋白质组学数据，被认为是推动AIVCs发展的关键因素。通过AI整合微扰数据，AIVC能够更精准地预测细胞如何对外部干预作出反应，这对药物开发与细胞建模至关重要。新兴的单细胞组学和空间组学技术也进一步增强了AIVC的动态模拟能力。文章还提到，AIVC需要依赖AI驱动的多模态数据整合，结合深度学习技术，以解析复杂数据，最终推动系统生物学、个性化医疗与药物研发的发展，为细胞行为研究提供新的视角。

AIVCs的进化：闭环主动学习系统

AIVCs正向自适应进化系统发展，而闭环主动学习系统是关键。文章指出，传统方法依赖被动数据积累，而闭环系统结合AI预测与机器人实验，主动探索细胞动态状态，填补数据空白。这种新兴系统能够自动识别知识缺口、设计实验、执行扰动，并实时优化模型，显著加速科学研究。该系统的核心优势在于高效处理细胞对不同扰动的复杂响应，最大化数据的应用价值。

低门槛切入点：选择适合的细胞模型

选择合适的细胞模型对AIVC的实现至关重要。文章指出，尽管支原体、大肠杆菌和酵母各有所长，但酵母（Saccharomyces cerevisiae）则是一个具有基因可操作性和真核特性的理想起点，可为后续研究奠定基础。研究人员将虚拟酵母细胞定为AIVCs的入门方向，之后可向人类癌细胞系拓展，以推动AIVC在精准医疗与药物开发中的应用。

总结

展望未来，AIVCs在药物开发、疾病建模和基础生物学研究中有望发挥重要作用。科研界的协同合作对于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下一个阶段的重要任务，以确保AIVCs能够真正实现其在计算生物学和生物医学研究中的变革性潜力。正如金年会金字招牌诚信至上所强调的，诚信是科学研究的基石，确保AIVCs的研究质量与公信力至关重要。