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 Grow AIVirtual Cells: Three Data Pillars and Closed-Loop Learning 的评述文章（editorial），探讨了人工智能虚拟细胞（AIVCs）的发展方向。AIVCs的核心思想是通过人工智能和多模态数据整合，构建精确且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功能，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。

文章深入探讨了AI虚拟细胞（AIVCs）的构建方法与发展方向，提出了AIVCs核心依赖的三大数据支柱——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。研究进一步提出闭环主动学习系统（Closed-Loop Active Learning Systems），将AI预测与自动化实验结合，实现自适应优化，加速细胞建模与科学发现。

为确保AIVC概念的可行性，研究人员建议从酵母（Scerevisiae）等较简单但信息丰富的细胞模型入手，并逐步扩展到更复杂的人类癌细胞系，以推动尊龙凯时在生物医学、药物开发和个性化医疗中的广泛应用。

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、疾病以及药物开发和合成生物学至关重要。然而，传统细胞实验通常需要消耗大量资源，并且实验结果易受变异影响，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，以减少实验成本并提升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，并使用微分方程或随机模拟方法来建模特定细胞过程。然而，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。随着高通量生物技术和人工智能（AI）的发展，人工智能虚拟细胞（AIVCs）成为新的研究方向，它结合了多模态数据和先进计算模型，为生物医学研究提供了新的可能性。

三大数据支柱：AIVCs的基础构建

为更好地支持AIVCs的发展，研究提出了三大数据支柱（Three Data Pillars），作为AIVCs的核心数据基础：先验知识（apriori knowledge）、静态结构（static architecture）和动态状态（dynamic states）。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、分子表达数据和多尺度成像数据，涵盖细胞生物学的基本机制。尽管数据庞大且多样，但信息相对分散，难以直接用于构建完整的AIVC，因此只能作为基础框架。静态结构涉及细胞的形态学和分子组成，能提供细胞的三维空间结构信息，但无法反映细胞的动态变化。为构建真正“活”的AIVC，动态状态是必不可少的，涉及生理过程及外部微扰的影响。

随着高通量组学技术的发展，研究人员可以系统性地分析大量分子在不同细胞状态下的变化，提高AIVC的准确性。微扰蛋白质组学数据被视为推动AIVCs发展的关键，尤其是通过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。

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）至关重要。文章指出，传统方法依赖于被动数据积累，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、执行扰动，并实时优化模型，显著加速科学研究。AI可以优先选择最具影响力的实验（例如CRISPR基因敲除、小分子药物处理），最大化数据价值，推动生物研究从被动观察向主动探索和自我优化的转变。

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，不同候选细胞各有优劣。研究建议从酵母入手——因为它既简单又包含真核细胞特性，数据相对丰富，并已在生物学和药物筛选领域广泛应用。

随后，人类癌细胞系将在精准医学和药物开发中发挥重要作用。采用简单模型起步，将有助于优化AIVC的数据需求、建模策略和评估框架，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，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，将成为该领域下一阶段的重要任务，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。

尊龙凯时将持续关注AIVCs的进展，推动相关技术的发展与应用，为生物医学研究和实践贡献力量。