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《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的核心理念在于整合人工智能和多模态数据，以构建精确且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具备更全面的细胞功能模拟能力和高通量仿真能力，甚至在某些情况下可以减少对实验室实验的依赖。

文章中讨论了AI虚拟细胞（AIVCs）的构建方法与发展方向，强调了AIVCs的三大数据支柱——先验知识、静态结构和动态状态，并指出高通量组学数据（尤其是微扰蛋白质组学数据）在动态模拟中的重要作用。研究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，加速细胞建模及科学发现。为验证AIVC概念的可行性，研究人员建议从酵母（Saccharomyces cerevisiae）等较为简单的信息丰富的细胞模型入手，逐步扩展到更复杂的人类癌细胞系，从而推动AIVCs在生物医学、药物开发及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，关键在于理解健康、衰老、疾病以及药物开发的机制。然而，传统的细胞实验往往消耗巨大的资源，且实验结果容易受到变异的影响，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，以降低实验成本并提高研究的精确性和效率。

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方法对特定细胞过程进行建模。这些方法在数据整合和动态模拟方面存在局限，难以全面揭示细胞的复杂性。随着高通量生物技术和人工智能（AI）的发展，AIVCs成为一种新兴的研究方向，它结合了多模态数据与先进计算模型，为生物医学研究提供了崭新的可能。

三大数据支柱：AIVCs的基础构建

为支持AIVCs的发展，研究提出三大数据支柱，作为其核心数据基础：先验知识、静态结构和动态状态。这些数据与AI算法结合，为虚拟细胞构建提供必要的基础。先验知识涵盖了细胞生物学的基本机制，涉及生物医学文献、分子表达数据和多尺度成像数据。

静态结构则与细胞的形态学和分子组成相关，包括纳米尺度的分子建模和空间组学等技术。动态状态则涵盖了生理过程及外部微扰对细胞的影响。文章指出，基于微扰的组学数据，特别是微扰蛋白质组学数据，被认为是推动AIVCs发展的关键，AIVC利用这些信息可以更精准地预测细胞对于外部干预的反应，为药物开发提供强有力的支持。

AIVCs的进化：闭环主动学习系统

AIVCs正在从静态、数据驱动的模型转向自适应进化系统，其中闭环主动学习系统是关键。与传统方法依赖被动积累数据不同，这种系统结合AI预测与自动化实验，主动探索细胞动态状态并填补数据空白，显著加速了科学研究的进展。

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。文章指出，优先考虑酵母作为入门模型，因其结构简单且包含真核细胞特性，数据相对丰富，已在生物学和药物筛选方面得到了广泛应用。随后，人类癌细胞系则是后续研究的重要目标，可以推动AIVC在精准医学与药物开发中的应用。

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大作用，而科学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，将成为该领域的重要任务，以确保AIVCs能实现其在计算生物学和生物医学研究中的变革性潜力。通过这样的努力，我们期待在医学与药物研发等方向能迎来新的突破。

在这个快速发展的领域，尊龙凯时也将继续关注前沿科技，为生物医学研究提供可信支持。