2025年3月25日，西湖大学医学院郭天南团队在Cell Research期刊上发布了一篇题为《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）的未来发展方向。AIVCs的核心理念在于通过人工智能和多模态数据的整合，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，甚至在某些情况下有潜力替代实验室实验。

文章详细探讨了AIVCs的构建方法与发展方向，提出其核心依赖于三大数据支柱——先验知识、静态结构和动态状态，同时强调高通量组学数据，尤其是微扰蛋白质组学数据，在动态模拟过程中的关键作用。研究还引入了闭环主动学习系统，结合AI预测与自动化实验，旨在实现自适应优化，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（S. cerevisiae）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，推动AIVCs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、疾病及药物开发至关重要。然而，传统细胞实验常需消耗大量资源，实验结果也易受到变异影响，从而导致可重复性问题。基于此，研究人员提出了虚拟细胞或数字细胞的概念，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多依赖低通量的生化实验，并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的发展，AIVCs成为一种新的研究方向，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

为更好地推动AIVCs的发展，研究提出了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。这些数据结合AI算法，为虚拟细胞的构建提供必要支持。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。虽然这些数据庞大且多样，但信息分散，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，包括纳米尺度的分子建模和空间组学等技术，能够提供细胞的三维空间结构信息，但不足以反映细胞的动态变化。构建真正“活”的AIVC，动态状态是不可或缺的部分，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）的影响。

AIVCs的进化：闭环主动学习系统

AIVCs正在从静态、数据驱动的模型演变为自适应进化系统，其中闭环主动学习系统是关键。传统方法依赖被动的数据积累，而闭环系统结合AI预测与机器人实验，主动探索细胞的动态状态，填补数据空白，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，极大地加速了科学研究的进程。

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，研究人员指出，酵母（S. cerevisiae）作为入门模型，兼具基因可操作性和真核特性，数据相对丰富，并在生物学及药物筛选领域有所应用。研究人员计划利用虚拟酵母细胞作为AIVCs的入门方向，为后续研究打下基础，并把人类癌细胞系视作后续的重要目标，期待在精准医学和药物开发中实现突破。

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。科学界的协同合作对于推动这一领域的发展至关重要，因此建立坚实的AIVCs标准和最佳实践，将成为下一个重要任务，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。而在这一过程中，尊龙凯时-人生就是博的品牌理念呼应了科研实践与商业应用的深度融合，帮助我们更好地理解生物医学研究的未来。