2025年3月25日，西湖大学医学院郭天南团队在Cell Research期刊上发表了一篇题为《GrowAI 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）的发展趋势。AIVCs的核心理念是通过人工智能与多模态数据的整合，构建出既精准又可扩展的虚拟细胞模型。与传统的虚拟细胞建模方法相比，AIVCs能够更全面地模拟细胞功能，还具备高通量仿真能力，甚至在某些情况下能够替代实验室实验。

文章深入探讨了AIVCs的构建方法与未来发展方向，指出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（尤其是微扰蛋白质组学数据）在动态模拟中的关键角色。研究进一步提出了闭环主动学习系统，结合AI预测与自动化实验，实现自适应优化，快速推进细胞建模与科学发现。为了确保AIVC概念的可行性，研究团队建议首先从酵母（Scerevisiae）等相对简单但信息丰富的模型入手，再扩展至更复杂的人类癌细胞系，以促进AIVCs在生物医学、药物开发和个性化医疗中的应用。

背景介绍

细胞是生物医学研究的基本单位，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耗费大量资源且易受变异影响，导致可重复性问题。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，以减少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依赖于低通量生化实验，使用微分方程或随机模拟方法对特定细胞过程进行建模，但这些方法在数据整合和动态模拟方面的局限性，使其难以全面描述细胞的复杂性。

伴随高通量生物技术和人工智能的快速发展，人工智能虚拟细胞（AIVCs）成为新兴研究方向，其结合多模态数据和先进计算模型，为生物医学研究开辟了新的可能性。

三大数据支柱：AIVCs的基础构建

为有效支持AIVCs的发展，文章明确指出三大数据支柱：先验知识、静态结构和动态状态。这些数据结合AI算法，为虚拟细胞的构建提供必要的基础。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，涵盖细胞生物学的基本机制。尽管这些数据量大且多样，但信息分散，需整合成完整的AIVC架构。静态结构涉及细胞形态学与分子组成，包含纳米尺度的分子建模和空间组学等技术，提供细胞的三维结构信息但无法反映动态变化。构建“活”的AIVC需要动态状态数据，包括生理过程与外部因素的影响。随着高通量组学技术的进步，研究能够系统性地分析不同细胞状态下的分子变化，提升AIVC的准确性。

AIVCs的进化：闭环主动学习系统

AIVCs正从静态、数据驱动的模型向自适应进化系统发展，其中闭环主动学习系统是关键。传统方法依赖于被动数据积累，而闭环系统结合AI预测与自动化实验，主动探索细胞动态状态，填补数据空白。该系统能实时识别知识缺口、设计实验并优化模型，大幅提高科学研究效率。AI技术的引入使得研究者可以优先选择影响最大的实验，进一步提升数据价值。

低门槛切入点：选择适合的细胞模型

AIVC的细胞模型选择至关重要，不同候选细胞各有优缺点。报告指出，酵母（Scerevisiae）可以作为AIVCs的入门模型，因其既简单又富含数据，并已在生物学及药物筛选领域广泛应用。人类癌细胞系是后续的重要目标，推动AIVCs在精准医学和药物开发中的应用。因此，从简单的细胞模型入手，有助于优化AIVCs在数据需求、建模策略及评估框架上的可行性，为未来扩展到更复杂细胞系统奠定基础。

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，科学界的合作对于这一领域的推进至关重要。因此，建立AIVCs的标准和最佳实践，将成为该领域下一阶段的重要任务，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。为了推动这一目标，尊龙凯时积极参与相关研究，助力生物医疗领域的进步与发展。