2025年3月25日，西湖大学医学院郭天南团队在 Cell Research 发表了题为 GrowAIVirtualCells:ThreeDataPillarsandClosed-LoopLearning 的评述文章，探讨了人工智能虚拟细胞（AIVCs）的发展方向。AIVCs的核心思路在于通过人工智能和多模态数据的整合，建立一个精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的功能，并具备高通量仿真能力，甚至在某些情况下，可以替代实验室实验。

文章讨论了AI虚拟细胞（AIVCs）的构建方法以及未来的发展方向，提出AIVCs的基础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）在动态模拟中的重要性。研究进一步提出了闭环主动学习系统，这一系统结合了AI的预测与自动化实验，实现适应性优化，加速了细胞建模与科学发现。为了确保AIVC概念的实际可行性，研究人员建议从酵母（Scherevisiae）等较简单但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广泛应用[Z6·尊龙凯时]。

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、疾病以及药物研发和合成生物学至关重要。然而，传统细胞实验通常资源消耗巨大，且实验结果易受变异影响，反复性差。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，以减少实验成本，并提高研究的准确性和效率。

早期的虚拟细胞模型主要依赖于低通量的生化实验，运用微分方程或随机模拟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存在局限，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（AI）的快速进展，人工智能虚拟细胞（AIVCs）作为一种新型的研究方向，融合了多模态数据和先进计算模型，为生物医学研究带来了新的可能性。

三大数据支柱：AIVCs的基础构建

为支持AIVCs的发展，研究提出了三大数据支柱——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了坚实基础。先验知识包括生物医学文献、分子表达数据和多尺度成像数据，涵盖了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，难以直接用于完整构建AIVC，因此只能作为基础框架。

静态结构作为AIVC的第二支柱，涉及细胞形态学和分子组成，利用各种技术提供三维空间结构信息，但无法反映细胞动态变化。而动态状态则涵盖生理过程及外部干扰对细胞的影响，随着高通量组学技术的发展，可以系统性地分析大量分子在不同细胞状态下的变化，增加AIVC的准确性。

AIVCs的进化：闭环主动学习系统

AIVCs正在由静态数据模型向自适应进化系统转型，其中闭环主动学习系统是其关键。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。这种系统能够自动识别知识缺口，设计实验并实时优化模型，有效加速科学研究。

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的构建至关重要。研究指出，支原体（mycoplasma）较为简化但通用性受限，大肠杆菌（E. coli）数据丰富但缺乏真核细胞的复杂性，酵母（S. cerevisiae）则既具有基因可操作性，也保留了真核特性。这些因素使得酵母成为了AIVCs的理想起点。

总结

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。科学界的合作对于推动该领域发展至关重要。因此，建立AIVCs的标准和最佳实践，将成为接下来阶段的重要任务，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革新潜力[Z6·尊龙凯时]。