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，探讨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及多模态数据整合，构建出更加精确且可扩展的虚拟细胞模型。比较传统的虚拟细胞建模方法，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，提出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，同时强调高通量组学数据，特别是微扰蛋白质组学数据，在动态模拟中的关键作用。研究还进一步阐述了闭环主动学习系统（Closed-Loop Active Learning Systems），通过结合AI预测和自动化实验实现自适应优化，加速细胞建模和科学发现。为确保AIVC概念的可行性，研究人员建议从较为简单但信息丰富的细胞模型如酵母（Saccharomyces cerevisiae）入手，并逐步扩展到更复杂的人类癌细胞系，以推动AIVCs在生物医学、药物开发和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，以及药物开发和合成生物学至关重要。然而，传统细胞实验常需消耗大量资源，且实验结果易受到变异影响，从而导致可重复性问题。因此，研究人员引入了虚拟细胞（Virtual Cells）或数字细胞（Digital Cells）的概念，旨在降低实验成本并提升研究的准确性与效率。早期的虚拟细胞模型主要依赖于低通量的生化实验，并利用微分方程或随机模拟方法来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，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（AI）的迅猛发展，人工智能虚拟细胞（AIVCs，AI Virtual Cells）逐渐成为新的研究方向，它结合了多模态数据和先进计算模型，为生物医学研究提供了新的可能性。

AIVCs的基础构建依赖于三大数据支柱：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支持。先验知识包括制作生物医学文献、分子表达数据及多尺度成像数据，涵盖细胞生物学的基本机制，虽然数据庞大且多样，但信息仍较为分散，难以直接用于完整的AIVC构建。

静态结构是第二个支柱，涉及细胞的形态学和分子组成，包括纳米尺度的分子建模等技术。这些数据能够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。为构建真正“活”的AIVC，动态状态则不可或缺，它涵盖生理过程及外部微扰带来的影响。随着高通量组学技术的不断发展，研究人员目前能够系统性地分析大量分子在不同细胞状态下的变化，从而提升AIVC的准确度。

新兴的单细胞组学和空间组学技术也进一步增强了AIVC在动态模拟中的能力。文章还指出，AIVC需要依赖AI驱动的多模态数据整合，结合深度学习技术，解析复杂数据，推动系统生物学、个性化医学与药物研发的发展，提供新的视角来研究细胞行为。

AIVCs正逐步从静态、数据驱动的模型向自适应进化系统演变，其中闭环主动学习系统是关键。此系统结合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。这一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，显著加快科学研究进程。

在选择AIVC的细胞模型时，研究人员建议从相对简单且信息丰富的细胞，如酵母入手，从而有助于优化AIVC的数据需求、建模策略和评估框架，为将来扩展至更复杂的细胞系统奠定基础。

展望未来，AIVCs在药物开发、疾病建模和基础生物学研究中将扮演重要角色，而科学界的协同合作对于推动这一领域发展至关重要。因此，建立AIVCs的标准和最佳实践将成为该领域下一个阶段的重要任务，以确保AIVCs能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。

对于那些想在生物医学研究领域站稳脚跟的团队而言，AIVCs代表了一种新的探索路径。通过紧密结合XPJ品牌的研发与实践，未来的科研将能够拥有更高的效率和更深的洞察力，助力生命科学的发展。