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: 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的核心理念是通过人工智能和多模态数据整合，构建精准且可扩展的虚拟细胞模型。相比传统的虚拟细胞建模方法，AIVCs能够全面模拟细胞功能，并具备高通量仿真能力，甚至在某些情况下可替代实验室实验。

AI虚拟细胞的构建方法与发展方向

文章详细讨论了AIVCs的构建方法与发展路线，指出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。研究强调，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作用。进一步提出了闭环主动学习系统（Closed-Loop Active Learning Systems），该系统结合AI预测与自动化实验，实现自适应优化，快速推进细胞建模与科学发现。为验证AIVC模型的可行性，研究者建议从酵母（Scerevisiae）等简单且信息丰富的细胞模型入手，逐步扩展至复杂的人类癌细胞系，以促进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

细胞是生命的基本单位，对理解健康、衰老、疾病的机制以及药物开发至关重要。然而，传统的细胞实验通常需要大量资源，且实验结果易受变异影响，造成可重复性问题。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，旨在降低实验成本，提高研究的准确性与效率。早期的虚拟细胞模型依赖低通量的实验方法，通常使用微分方程或随机模拟来描述特定细胞过程，但在数据整合与动态模拟方面存在局限性。

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，作为AIVCs的核心数据基础：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的支持。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。尽管这些数据丰富且多样，但信息散布，需整合才能有效用于构建完整的AIVC。静态结构则涉及细胞的形态学与分子组成，这些数据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，而动态状态包括生理过程及外部微扰对细胞的影响。

AIVCs的进化：闭环主动学习系统

AIVCs正在向自适应进化系统发展，闭环主动学习系统是其关键。传统方法依赖被动数据积累，而闭环系统则结合AI预测与机器人实验，主动探究细胞动态状态，弥补数据空白。这一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，大幅加速科学研究进程。AI技术能优先选择影响最大的实验，提升数据价值，显著推动生物研究的进展。

低门槛切入点：选择适合的细胞模型

选择适宜的细胞模型是AIVC构建的关键，各种候选细胞模型各有优缺点。支原体较简化但通用性有限，大肠杆菌数据丰富但缺乏真核复杂性，酵母结合了基因可操作性与真核特性，而人类癌细胞系在医学研究中相关性强，但动态状态数据存在空白。因此，研究者建议从酵母入手，因其简单且包含丰富真核细胞结构，为后续研究奠定基础。

总结

未来，AIVCs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，而科学界的协同行动对推动该领域发展至关重要。因此，建立AIVCs的标准和最佳实践将成为下一阶段的重要任务，以确保AIVCs实际实现其在计算生物学和生物医学研究中的革命性潜力。值得一提的是，俄罗斯专享会294对AIVCs的研究发展充满期待。