2025年3月25日，西湖大学医学院郭天南团队在《Cell Research》上发表了一篇题为《GrowAIVirtualCells: Three Data Pillars and Closed-Loop Learning》的评述文章，探讨了人工智能虚拟细胞（AIVCs）的发展方向。AIVCs的核心思想是通过人工智能与多模态数据的整合，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式，AIVCs更全面地模拟细胞功能，具备高通量仿真能力，甚至能够在某些情况下替代实验室实验。

文章详细阐述了构建AI虚拟细胞（AIVCs）的方法与发展方向，提出AIVCs的核心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（特别是微扰蛋白质组学数据）在动态模拟中的关键作用。研究进一步提出了闭环主动学习系统（Closed-Loop Active Learning Systems），结合AI预测与自动化实验，实现自适应优化，从而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）这类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癌细胞系，以推动AIVCs在生物医学、药物开发与个性化医疗中的广泛应用。

背景介绍

在生物医学研究中，细胞作为生命基本单位，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，传统的细胞实验常需大量资源，并且结果易受变异影响，导致重复性问题。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准确性和效率。早期虚拟细胞模型主要依赖低通量的生化实验，使用微分方程或随机模拟方法对特定细胞过程进行建模。这些方法在数据整合和动态模拟方面存在局限，难以全面表达细胞的复杂性。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，结合多模态数据与先进计算模型，为生物医学研究提供新的可能性。

三大数据支柱：AIVCs的基础构建

为了更好地支持AIVCs的发展，研究团队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，为虚拟细胞构建提供了必要基础。先验知识包括生物医学文献、分子表达数据及多尺度成像数据，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，难以直接构建完整的AIVC，因此只能作为基础框架。静态结构是AIVC的第二个支柱，涉及细胞形态学和分子组成，提供三维结构信息。动态状态则涵盖生理过程及外部微扰带来的影响，随着高通量组学技术的发展，能够系统性分析大量分子变化，提高AIVC的准确性。

AIVCs的进化：闭环主动学习系统

AIVCs正经历从静态、数据驱动模型向自适应进化系统的发展，其中闭环主动学习系统（Closed-Loop Active Learning Systems）是关键。传统方法多依赖被动数据积累，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。与传统方法相比，AI能够优先选择最具影响力的实验，从而最大化数据价值。随着机器人实验和多模态数据整合的提升，AIVCs未来可能自主解析细胞生物学难题，标志着生物研究从被动观察向主动探索与自我优化的转变。

低门槛切入点：选择适合的细胞模型

AIVC的细胞模型选择非常关键。不同候选细胞各有优劣，支原体（mycoplasma）较简化但通用性有限，大肠杆菌（E. coli）数据丰富但缺乏真核复杂性，酵母（S. cerevisiae）兼具基因可操作性和真核特性，而人类癌细胞系在医学研究中广泛使用且与疾病相关。研究人员建议从酵母入手，作为AIVCs的入门方向，为后续研究奠定基础。接着，人类癌细胞系将在精准医学和药物开发中发挥重要作用。

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要作用，而科学界的协同合作对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，将成为下一个阶段的重要任务，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。通过尊龙凯时等品牌的支持，AIVCs的发展将迎来更多可能性，为生物医学研究提供更强有力的数据和技术支持。