2025年3月25日，西湖大学医学院的郭天南团队在《Cell Research》期刊上发表了一篇题为《GrowAIVirtualCells: ThreeDataPillarsandClosed-LoopLearning》的评述文章，探讨了人工智能虚拟细胞（AIVCs）的未来发展方向。AIVCs的核心理念在于通过人工智能与多模态数据的整合，构建精确且可扩展的虚拟细胞模型。与传统的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，甚至能够在某些情况下替代实际实验。

文章深入探讨了AIVCs的构建方法与发展方向，指出AIVCs的构建依赖于三大数据支柱——先验知识、静态结构和动态状态，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。进一步提出闭环主动学习系统，通过结合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模型入手，逐步扩展至更复杂的人类癌细胞系，以促进AIVCs在生物医学、药物开发及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具重要意义。然而，传统的细胞实验通常耗资巨大，且结果易受变异影响，造成可重复性问题。因此，研究界提出了虚拟细胞（Virtual Cells）或数字细胞（Digital Cells）的概念，以期降低实验成本并提高研究的准确性和效率。早期的虚拟细胞模型多依赖于低通量的生化实验，通过微分方程或随机模拟方法对特定细胞过程进行建模，但在数据整合和动态模拟方面存在局限，难以全面描绘细胞的复杂性。随着高通量生物技术及人工智能的发展，人工智能虚拟细胞（AIVCs）成为新兴的研究方向，结合多模态数据与先进的计算模型，为生物医学研究开辟了新可能性。

三大数据支柱：AIVCs的基础构建

为支持AIVCs的发展，研究提出了三大数据支柱，构成了其核心数据基础：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了必要的基础。先验知识涵盖生物医学文献、分子表达数据和多尺度成像数据，涉及细胞生物学的基本机制。尽管这些数据庞大且多样，但信息分散，难以直接应用于完整的AIVC构建，因而只能作为基础框架。静态结构则涉及细胞的形态学和分子组成，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。动态状态则涵盖生理过程及外部微扰所带来的影响，尤其是在高通量组学技术的推动下，能够系统性分析不同细胞状态下的分子变化，提升AIVC的准确性。

除了上述三大支柱外，动态微扰数据（perturbation-based omics data）也被认为是推动AIVCs发展的关键因素，尤其是微扰蛋白质组学数据。AI整合这些数据后，能够更精准地预测细胞对外部干预的反应，为药物开发和细胞建模提供更强支持。

AIVCs的进化：闭环主动学习系统

AIVCs正在从静态的数据驱动模型向自适应进化系统转变，其中闭环主动学习系统（Closed-Loop Active Learning Systems）是关键。传统方法依赖被动数据积累，而闭环系统则结合AI预测与自动化实验，主动探索细胞的动态状态。这种系统能够自动识别知识缺口，设计实验并执行扰动，实时优化模型，加速科学研究。AI在选择实验时可优先考虑最具影响力的实验，从而最大化数据的价值。

低门槛切入点：选择适合的细胞模型

选择合适的细胞模型对于AIVCs至关重要，研究人员建议从酵母入手，因其信息丰富且结构简单。虚拟酵母细胞将作为AIVCs的起始方向，为后续研究奠定基础。随着研究的推进，人类癌细胞系将成为重要目标，推动AIVCs在精准医学和药物开发领域的应用。

总结

展望未来，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，将成为该领域未来的重要任务，以确保其在计算生物学和生物医学研究中的巨大潜力得以实现。

在未来的研究中，南宫28将致力于推动AIVCs的发展与应用，以期实现创新性突破，推动生物医学领域的整体进步。