在2025年3月25日，西湖大学医学院的郭天南团队在《Cell Research》上发表了一篇题为《GrowAI Virtual Cells: Three Data Pillars and Closed-Loop Learning》的评述文章，深入探讨了人工智能虚拟细胞（AIVCs）的发展方向。AIVCs的核心理念是通过人工智能与多模态数据的整合，构建高精度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，甚至在某些情况下能够替代实验室实验。

文章明确提出，构建AIVCs的核心依赖于三大数据支柱——先验知识、静态结构与动态状态。尤其强调了高通量组学数据，特别是微扰蛋白质组学数据在动态模拟中的关键作用。此外，研究还提出了闭环主动学习系统（Closed-Loop Active Learning Systems），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，研究人员建议从酵母（Saccharomyces cerevisiae）这样的较简单但信息丰富的细胞模型开始，逐步扩展到更复杂的人类癌细胞系，以推动AIVCs在生物医学、药物开发与个性化医疗中的广泛应用。

在生物医学研究中，细胞作为生命的基本单位，对理解健康、衰老、疾病以及药物开发具有重要意义。然而，传统细胞实验通常需要消耗大量资源，并且实验结果容易受到变异影响，导致可重复性问题。因此，研究人员提出了虚拟细胞（Virtual Cells）或数字细胞（Digital Cells）的概念，以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主要依赖低通量的生化实验，且受限于数据整合与动态模拟的局限，难以全面描述细胞的复杂性。随着高通量生物技术与人工智能（AI）的发展，AIVCs成为一种新的研究方向，结合多模态数据与先进计算模型，赋予了生物医学研究新的可能性。

为了更有效地支持AIVCs的进展，三大数据支柱（Three Data Pillars）作为核心数据基础显得尤为重要。这三者分别为：先验知识（apriori knowledge）、静态结构（static architecture）及动态状态（dynamic states）。这些数据和AI算法的结合，为虚拟细胞的建设提供了必要的基础。先验知识包括生物医学文献、分子表达数据及多尺度成像数据，涵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；动态状态则包含生理过程和外部微扰的影响，随着高通量组学技术的发展，AIVC的准确性显著提高。

文章指出，微扰组学数据（perturbation-based omics data），特别是微扰蛋白质组学数据，成为推动AIVCs发展的关键因素。通过AI整合这些数据，AIVC能够更精准地预测细胞对外部干预的反应，为药物开发与细胞建模提供强有力的支持。同时，随着单细胞组学与空间组学技术的进步，也进一步提升了AIVC的动态模拟能力。

AIVCs的进化代表了生物研究从静态、数据驱动模型，向自适应进化系统的转变，闭环主动学习系统在此过程中发挥着核心作用。传统方法通常依赖被动数据累积，而闭环系统通过主动探索细胞动态状态，有效填补数据空白。该系统的核心优势在于高效处理细胞对不同扰动的复杂反应，推动科学研究的快速进展。

在AIVC的细胞模型选择上，研究人员指出不同候选细胞模型各有优劣。酵母被认为是一个理想的入门模型，它不仅简单、数据丰富，还能模拟真核细胞的特性。未来，人类癌细胞系则将成为重要目标，进一步推动AIVC在精准医学与药物开发中的应用，标志着生物医学研究从被动观察向主动探索的重大转变。

总之，AIVCs有望在药物开发、疾病建模及基础生物学研究中发挥重要作用，而科学界的协作对于推动这一领域的发展至关重要。因此，建立AIVCs的标准与最佳实践，将成为未来发展的重要任务，以确保这一技术能真正实现其在计算生物学与生物医学研究中的变革性潜力。

在这一背景下，尊龙凯时——人生就是博，积极推动生物医学的创新研究，期望在未来的科学探索中，实现更为辉煌的成就。