2025年3月25日，西湖大学医学院郭天南团队在Cell Research上发表了一篇评述文章，题为“GrowAIVirtualCells: Three Data Pillars and Closed-Loop Learning”，探索了人工智能虚拟细胞（AIVCs）的发展方向。AIVCs的核心概念是在人工智能和多模态数据整合的基础上，打造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功能，拥有高通量仿真能力，甚至在某些情况下能替代实验室实验。

这篇文章深入探讨了AI虚拟细胞（AIVCs）的构建方法与发展方向，明确提出AIVCs依赖于三项数据支柱——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作用。此外，研究还提出了闭环主动学习系统（Closed-Loop Active Learning Systems），将AI预测与自动化实验结合，实现自适应优化，从而加速细胞建模及科学发现。为了证实AIVC概念的可行性，研究团队建议从酵母(S. cerevisiae)等相对简单但信息丰富的细胞模型入手，逐步扩展至人类癌细胞系，以促进AIVCs在生物医学、药物研发和个性化医疗中的广泛应用。

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、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大量资源，并可能受到变异的影响，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，提高研究的准确性与效率。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，然而这些方法在数据整合和动态模拟方面存在局限性，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）的迅速发展，人工智能虚拟细胞（AIVCs, AIVirtual Cells）成为新的研究方向，它结合了多模态数据和高级计算模型，为生物医学研究开辟了新的可能性。

为了更好地支持AIVCs的发展，研究提出了三项数据支柱（Three Data Pillars），这成为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框架。先验知识包含生物医学文献、分子表达数据，以及多尺度成像数据，涵盖细胞生物学的基本机制。尽管这些数据量大且多样，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。静态结构是AIVC的第二个支柱，涉及细胞的形态学和分子组成，包括纳米尺度的分子建模等技术。动态状态是构建真实“活”AIVC不可或缺的一项，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（如转录组学、蛋白质组学、代谢组学）的发展，使得对大量分子在不同细胞状态下的变化进行系统性分析成为可能，从而提高AIVC的准确性。

文章指出，基于微扰的组学数据（perturbation-based omics data），包括转录组学、蛋白质组学和代谢组学，被认为是推动AIVCs发展的关键因素。而在这些数据中，微扰蛋白质组学数据尤为重要。通过AI整合微扰数据，AIVC能更精准地预测细胞如何对外部干预作出反应，为药物开发和细胞建模提供更强的支持。新兴的单细胞组学和空间组学技术也进一步增强了AIVC的动态模拟能力。

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是关键。与传统方法依赖被动数据积累不同，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。其核心优势在于高效处理细胞对不同扰动的复杂响应。

AIVC的细胞模型选择对成功至关重要。文章指出，不同的候选细胞各具优缺点，研究人员建议从酵母开始，因为它简单且包含真核细胞结构。虽然人类癌细胞系在医学研究中具有广泛的数据基础，但在动态状态数据方面仍存在空白。因此，从易于操作的酵母出发将为后续研究奠定基础，推动AIVCs在精准医学和药物开发中的应用。

未来，AIVCs预计将在药物开发、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的标准与最佳实践将成为未来研究的重要任务，从而确保新葡萄8883官网AMG能在计算生物学和生物医学研究中实现其变革性潜力。