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，探讨了人工智能虚拟细胞（AIVCs）在生物医学领域的发展方向。AIVCs的核心思想是通过人工智能与多模态数据的整合，构建精准且可扩展的虚拟细胞模型。这种方法相比于传统虚拟细胞模型，更全面地模拟了细胞功能，并展现出高通量仿真能力，甚至在某些情况下，能够替代实际实验。

文章深入探讨了AI虚拟细胞（AIVCs）的构建方法与发展方向，强调了三大数据支柱——先验知识、静态结构和动态状态的核心作用。研究指出，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性。此外，文章还提出了闭环主动学习系统，结合AI预测与自动化实验，以自适应的方式加速细胞建模与科学发现。为提升AIVC概念的可行性，研究者建议从酵母（Saccharomyces cerevisiae）等信息丰富的简单细胞模型入手，逐步扩展至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等领域的应用。

在生物医学研究中，细胞是生命的基本单位，对于健康、衰老、疾病的理解以及药物开发至关重要。然而，传统的细胞实验常常消耗大量资源，实验结果也易受变异影响。在此背景下，虚拟细胞或数字细胞的概念应运而生，旨在降低实验成本，提高研究的精确性和效率。早期虚拟细胞模型主要依赖低通量生化实验，通过微分方程或随机模拟方法建模特定细胞过程，但在数据整合和动态模拟方面却存在局限性。因此，人工智能虚拟细胞（AIVCs）作为一种新的研究方向，结合了多模态数据与先进计算模型，为生物医学研究提供了新的可能性。

为了更有效地支持AIVCs的发展，研究团队提出了三大数据支柱，作为构建AIVCs的核心数据基础：先验知识、静态结构和动态状态。这些支柱的数据结合AI算法，为虚拟细胞的构建提供了必要基础。先验知识涵盖了生物医学文献、分子表达和多尺度成像数据，尽管信息庞杂且多样，难以直接用于完整构建AIVC，但它们是基础框架的关键。

静态结构代表细胞形态学和分子组成，包括多个技术的应用，例如纳米尺度分子建模和低温电子显微镜等。为了构建真实“活”的AIVC，动态状态是不可或缺的，它涵盖生理过程和外部微扰对细胞的影响。如今，随着高通量组学技术的发展，系统性分析大量分子在不同细胞状态下的变化，AIVC的准确性得以显著提高。文中强调，微扰蛋白质组学数据是推动AIVCs发展的关键，通过AI整合微扰数据，AIVC能够更精确地预测细胞对外部干预的反应，为药物开发提供更强的支持。

AIVCs正从静态的数据驱动模型演变为自适应进化系统，其中闭环主动学习系统是核心。这种系统结合AI预测与自动化实验，能够主动探索细胞动态状态，填补数据空白，显著加速科学研究。相比传统方法，闭环系统更高效地处理细胞对各种扰动的复杂响应。AI能够选择最具影响力的实验，最大化数据取得的价值，进而推动细胞生物学研究由被动观察转向主动探索、自我优化的方向。

AIVC的细胞模型选择至关重要，不同候选细胞各有优劣。研究认为，从酵母开始是一个低门槛的切入点，因其结构简单、数据丰富，并且已广泛应用于生物学与药物筛选领域。虚拟酵母细胞将作为AIVCs的起步方向，后续的人类癌细胞系则是更复杂模型的目标，推动AIVCs在精准医学和药物开发中的应用。

总的来说，AIVCs在药物开发、疾病建模及基础生物学研究方面的前景广阔，而科学界的共同协作则是推动这一领域发展的关键。建立AIVCs的标准和最佳实践，将是该领域下一个阶段的重要任务，以确保在计算生物学和生物医学研究中实现其潜在的革命性影响。未来，伴随技术的进步，AIVCs有望为生命科学研究注入新动力，推动精准医疗的进展。

1月12日，西湖大学的郭天南团队联合深势科技/北京科学智能研究院的温翰团队，在bioRxiv上一种发表了预印本文章，介绍了一个名为ProteinTalks的基础模型。该模型通过整合大规模动态微扰蛋白质组数据，能够准确预测药物反应，具有广泛的精准医学应用潜力。研究人员期待将来能进一步完善AIVC，以便于药物研发及系统生物学等领域的应用。