2025年3月25日，西湖大学医学院郭天南团队在 Cell Research 发表了一篇题为 《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）的发展方向。AIVCs的核心理念是利用人工智能与多模态数据的整合，构建精准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能够更全面地模拟细胞功能，并具备高通量仿真能力，甚至在某些情况下可以替代实验室实验。

文章深入探讨了AIVCs的构建方法和发展趋势，提出其核心基于三大数据支柱——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）在动态模拟中的关键作用。研究还提出了闭环主动学习系统，通过结合AI预测与自动化实验，实现自适应优化，加速细胞建模与科学发现。为确保AIVC概念的可行性，研究人员建议可从酵母（Saccharomyces cerevisiae）等相对简单但信息丰富的细胞模型入手，逐步扩展至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，传统的细胞实验通常需要消耗大量资源，并且实验结果易受变异影响，导致可重复性问题。因此，研究人员提出了虚拟细胞或数字细胞的概念，以减少实验成本并提高研究的精准度和效率。早期的虚拟细胞模型主要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，为生物医学研究开辟了新的可能性。

三大数据支柱：AIVCs的基础构建

为更好地支持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了必要的基础。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、低温电子显微镜和空间组学等技术。这些数据为细胞的三维空间结构提供信息，但无法反映细胞的动态变化。为了构建真正“活”的AIVC，动态状态是必不可少的，它涵盖生理过程（如衰老、发育、疾病）以及外部微扰（如基因编辑、药物刺激）的影响。随着高通量组学技术的进步，现在可以系统性地分析大量分子在不同细胞状态下的变化，提高AIVC的准确性。

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，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。AI的效率使其能够优先选择最有影响力的实验，进一步推动细胞生物学研究。

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，不同候选细胞各有优劣。研究人员建议从酵母入手，因其既简单又包含真核细胞结构，数据相对丰富，并已在生物学和药物筛选领域广泛应用。虚拟酵母细胞将作为AIVCs的入门方向，未来的人类癌细胞系则为重要目标，推动AIVC在精准医学和药物开发中的应用。

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，将成为下一阶段的重要任务，以确保AIVCs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。在此背景下，918博天娱乐官网也将积极参与相关研究和应用，推动技术的进步与发展。