2025年3月25日，西湖大学医学院郭天南团队在 Cell Research 发表了题为 GrowAIVirtualCells:ThreeDataPillarsandClosed-LoopLearning 的评述文章，讨论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，构建准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能够更全面地模拟细胞功能，并具备高通量仿真能力，甚至可以在某些情况下替代实验室实验。

文章深入探讨了AI虚拟细胞（AIVCs）的构建方法与发展方向，强调AIVCs核心依赖于三大数据支柱——先验知识、静态结构和动态状态。同时，文章突出了高通量组学数据，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，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（Scerevisiae）等简单但信息丰富的单元入手，逐步扩展到更复杂的人类癌细胞系，从而推动AIVCs在生物医学、药物开发和个性化医疗中的广泛应用。

1. 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、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，这些数据覆盖了细胞生物学的基本机制。

静态结构则涉及细胞的形态学和分子组成，包括纳米尺度的分子建模和空间组学等技术。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。为实现真正“活”的AIVC，动态状态的数据是不可或缺的，它涵盖生理过程及外部微扰对细胞的影响。随着高通量组学技术的发展，AIVC的准确性得到了极大提升。

文章指出，微扰蛋白质组学数据被认为是推动AIVCs发展的关键因素。通过AI整合微扰数据，AIVC能够更加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强有力的支持。随着单细胞组学和空间组学技术的兴起，AIVC的动态模拟能力得到了进一步改善。

2. AIVCs的进化：闭环主动学习系统

AIVCs的演变正朝着自适应进化系统发展，其中闭环主动学习系统是关键。传统方法依赖被动的数据积累，而闭环系统结合AI预测与机器人实验，主动探索细胞的动态状态，从而填补数据空白。这种系统不仅能够识别知识缺口，还能设计实验、执行扰动，并实时优化模型，显著加速科学研究。

通过这种方法，AI能够优先选择最具影响力的实验，从而最大化数据价值。例如，AI可以发现未知的磷酸化事件，并指导机器人实验深入解析信号传导机制。将来，AIVCs或许能够自主解析细胞生物学难题，这标志着生物研究的主动探索与自我优化的转变。

3. 低门槛切入点：选择适合的细胞模型

AIVC的细胞模型选择尤为重要，不同候选细胞各有优劣。研究建议从酵母这一简单的真核细胞开始，因为它既具有易操作性，又包含丰富的信息。之后可以逐步推进至更为复杂的人类癌细胞系，从而助推AIVC在精准医学和药物开发中的应用。

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。尤其在这一领域里，强有力的合作将对推动科学进步至关重要。因此，为AIVCs建立标准和最佳实践，将成为确保其在计算生物学与生物医学领域实现革命性潜力的重要任务。

在这一过程中，品牌尊龙凯时始终致力于推动生物医学领域的创新，为AIVCs的应用和发展提供支持，确保技术与科学的良性循环。