文 | 追問nextquestion

AI虛擬細胞，在計算機中代謝的生命體。2024年12月，斯坦福大學、基因泰克制藥公司和陳-扎克伯格基金會的研究團隊在《Cell》雜志上發表論文[1]，呼吁全球科學界利用AI技術制造這一“數據細胞”。聽起來像是科幻電影里的情節，但它正在悄然發生，并即將改變生物醫學界的未來。

細胞是生命最基本的單位，結構精密、功能多樣。如果把細胞比作微型城市，AI虛擬細胞就是它的全息沙盤。經典的生物學研究主要依賴于實驗室實驗，但在研究細胞行為時面臨諸多限制，例如實驗周期長、成本高、還容易因條件變化而難以復現等。而利用人工智能算法，AI虛擬細胞能在不同生理生化情境下模擬真實細胞的行為與反應。通過整合計算生物學、系統生物學和合成生物學等領域的技術，AI虛擬細胞既可以模擬單個細胞或細胞器，也能覆蓋到組織甚至器官層面的復雜過程。

隨著計算機技術的發展，科學家愈加認識到，在計算機中模擬細胞行為不僅可行，而且更加便捷。20世紀末，系統生物學的興起，推動了對生物網絡的建模和模擬。進入21世紀，人工智能特別是深度學習技術的突破，進一步激發了人們利用AI分析海量生物數據的熱情。而如今深度學習和大數據分析領域的進展，又為模擬和預測細胞行為提供了新的可能性。AI虛擬細胞的概念正是源于對生物系統數字化模擬的追求。

01 虛擬細胞研究的歷史

虛擬細胞（Virtual Cell）的概念并不新鮮，早在20世紀90年代，科學家就開始嘗試在計算機里“復刻”細胞。1998年，美國康涅狄格大學的Leslie M. Loew教授團隊開發了Virtual Cell（VCell）計算平臺，這是最早的細胞建模軟件之一，目標是通過計算機模型模擬細胞內的生化反應和信號傳導。這一時期，細胞模擬主要依賴微分方程模型（ODE/PDE），關注局部生化反應，而非整體的細胞行為。

21世紀初，科學家實現了全細胞模擬。2006年，瑞士洛桑聯邦理工學院（EPFL）啟動了藍腦項目，目標是模擬大腦皮層神經元。2012年，美國斯坦福大學Markus W. Covert團隊發布了全球首個全細胞計算模型，成功模擬了支原體（Mycoplasma genitalium）的全部生物過程，涵蓋基因表達、能量代謝、細胞周期等。

而到了2010年代，人工智能特別是深度學習技術突飛猛進，成為虛擬細胞背后的強大引擎。2018年，英國DeepMind的AlphaFold在蛋白質結構預測領域取得突破，為虛擬細胞的分子層次模擬提供了關鍵技術。2021年，美國哈佛大學、MIT等機構開始探索AI驅動的細胞模擬，用于預測細胞的信號傳導、代謝途徑等。

對于AI虛擬細胞（AI-Simulated Cell）的概念，目前尚無公認的提出者。如今，多個研究團隊已經嘗試將AI應用到細胞模擬中。比如，DeepMind在2021年推出了AlphaFold2，利用AI預測蛋白質結構，間接推動了AI細胞模擬。IBM Watson Health則開發了基于AI的生物分子模擬，探索AI在細胞層面模擬中的應用。中國科學院、清華大學等國內高校也逐漸開始開展AI驅動的全細胞模擬，試圖構建類生命智能體。

?AI虛擬細胞的能力。圖源：cell

02 與傳統細胞研究的異同

AI虛擬細胞基于細胞生物學的基本原理，如基因表達、細胞信號傳導、代謝反應等。無論是虛擬模型還是實驗研究，目標都是理解細胞的功能、行為和反應，兩者的研究目標一致，即揭示細胞的生物學過程，提供關于疾病機制、藥物反應等方面的深入見解。可以說，它們的生物學基礎是相同的。

不同之處則首先體現在實驗方式中。傳統細胞生物學通常依賴實驗室實驗，通過在實際環境中觀察所培養細胞的行為，例如顯微鏡觀察、流式細胞術、基因敲除/敲入等。AI虛擬細胞則通過計算模擬，依賴于大量數據和算法的支持進行“虛擬實驗”，通過迅速測試多種假設和條件，避免了實驗中可能存在的物理限制。

速度與規模方面，虛擬細胞能夠支持更大規模的研究和快速模擬，而傳統細胞生物學研究通常需要更多的時間和物理資源（如細胞培養、實驗設備等）。準確性與可重復性方面，傳統實驗研究可能受到一些不可控因素影響，如環境變化、實驗誤差等，而AI虛擬細胞模型可以進行高精度的控制和重復實驗，但其準確性仍然依賴于數據的質量和模型的精細度。

?AI虛擬細胞與傳統細胞的異同。圖源：cell

03 如何創建AI虛擬細胞

構建AI虛擬細胞的首要步驟是收集大量高質量的生物數據，包括基因組、轉錄組、蛋白質組、代謝組等多層次信息。此外，細胞的顯微成像數據、單細胞測序數據等也是重要的數據來源。這些數據需要經過標準化處理，以確保其質量和格式的一致性。

在數據基礎上，選擇適合的AI模型是關鍵。常用的方法包括深度神經網絡、圖神經網絡等。模型的選擇取決于數據的特性和研究的具體目標。例如，圖神經網絡適用于處理細胞內分子交互網絡的數據，而卷積神經網絡則常用于分析細胞圖像數據。

模型訓練與驗證是構建AI虛擬細胞的核心環節。模型訓練需要大量計算資源，通常采用GPU或TPU等高性能計算設備。在訓練過程中，通過優化算法不斷調整模型參數，使其在預測細胞行為時達到最佳性能。訓練完成后，需要使用獨立的數據集對模型進行驗證，評估其預測準確性和泛化能力。

模擬與預測是AI虛擬細胞的最終目標。經過訓練和驗證的模型可以用于模擬細胞在不同條件下的行為。例如，預測特定藥物對細胞的影響，模擬基因突變對細胞功能的改變等。這些模擬結果可以為實驗設計提供參考，減少實際實驗的次數和成本。

目前，全球多家知名研究機構正在積極探索AI虛擬細胞的構建和優化。斯坦福大學的研究團隊利用AI技術開發的AI虛擬細胞模型，旨在加速疾病研究和藥物開發。西班牙巴斯克大學的研究團隊則利用虛擬細胞測試藥物敏感性，以改善腦癌和乳腺癌的治療。這些研究團隊的工作代表了該領域的前沿進展。

04 已實現的虛擬細胞

AI虛擬細胞技術已經在多個領域取得了突破。例如，在單細胞模擬領域，美國斯坦福大學的Whole-Cell Model團隊在2021年開發了一種可以完整模擬支原體（Mycoplasma genitalium）的計算模型，包含所有基因調控和代謝過程。而在細胞內過程的模擬領域，則有Google DeepMind開發的可以精確預測蛋白質結構的AlphaFold項目。另外，在組織級模擬方面, AI可以模擬不同細胞之間的相互作用；比如可用于研究腫瘤微環境（如MIT的TumorSim）的癌癥細胞模擬。類器官（Organoid）模擬則可以模擬肝、腎、腸等組織的發育過程。還有器官與全身級別模擬，雖然研究還比較少，但也有實驗室在模擬大腦皮層（Blue Brain Project）以及心臟模擬（如VirtualHeart）。

?用于對抗癌癥的AI虛擬細胞。圖源：cell

另外，AI虛擬細胞可以模擬細胞中的不同細胞器，每個細胞器的模擬方法有所不同。

細胞器

主要模擬技術

模擬內容

細胞核

深度學習

+基因調控網絡

DNA轉錄、

RNA合成、基因調控

線粒體

代謝建模

+深度強化學習

ATP合成、

氧化磷酸化、

ROS（活性氧）產生

內質網

計算流體力學

+蛋白折疊AI

蛋白質加工、

Ca2?存儲

高爾基體

細胞自動機

+機器學習

蛋白質修飾與運輸

溶酶體

反應動力學模擬

+深度學習

細胞降解、

酸性環境模擬

細胞骨架

有限元分析

+分子動力學

細胞形態變化、

運動模擬

細胞膜

分子動力學

+蒙特卡羅模擬

物質跨膜運輸、

信號傳導

05 該領域涉及的主要技術及挑戰

構建AI虛擬細胞需要依賴多學科交匯的前沿技術，首先是多尺度建模（Multi-scale modeling）。細胞活動跨越了原子、分子、細胞乃至組織學層面，其功能特性通過不同尺度間的非線性轉換呈現。因此，能夠從分子層面到細胞整體，模擬細胞在復雜環境下的各種行為相當關鍵。例如，分子動力學模擬（Molecular Dynamics, MD）可以模擬蛋白質、脂質和小分子的行為；代謝網絡建模描繪了細胞新陳代謝的過程；細胞自動機（Cellular Automata, CA）可以用于探索細胞之間的相互作用；多主體建模（Agent-based Modeling, ABM）則進一步組織層面的細胞作用。這些技術共同構成了虛擬細胞的微觀世界，為其行為模擬提供了堅實的基礎。

如果說多尺度建模是基礎，那么人工智能技術則賦予了虛擬細胞“智慧”。生成式AI（Generative AI）可以預測蛋白質如何折疊，或者模擬細胞內的生化反應。與此同時，強化學習（RL）技術讓虛擬細胞學會“思考”，通過算法優化參數，能夠訓練細胞在特定環境中優化代謝路徑，從而更好地適應環境。而借助圖神經網絡（GNN），研究者則能模擬細胞中的分子網絡，比如信號轉導通路。這些AI技術讓虛擬細胞變得更加智能化，為模擬復雜生物過程提供了無限可能。

?用于構建AI虛擬細胞的GNN技術。圖源：cell

大規模計算能力是虛擬細胞得以實現的“發動機”。構建虛擬細胞需要對大量數據進行高通量計算，例如超級計算機的強大算力就能夠實現這一目標。無論是日本的Fugaku，還是美國的Summit，它們都可以進行大規模生物模擬。此外，有限元分析（Finite Element Analysis, FEA）可以用來研究細胞骨架的力學行為，而蒙特卡羅模擬（Monte Carlo Simulation）則幫助科學家模擬隨機生物過程，比如分子擴散或化學反應。這些數值模擬技術共同推動了虛擬細胞的精確建模。

最后，生物信息學與系統生物學為虛擬細胞提供了豐富的數據資源。通過單細胞測序技術，研究人員可以獲得真實細胞的高分辨率數據，并利用這些數據訓練模型。合成生物學數據庫如KEGG或BioCyc等，則可以提供細胞代謝、基因調控等關鍵數據，這些數據的整合作為虛擬細胞的“燃料”，驅動著其不斷進化。

盡管虛擬細胞充滿了潛力，但它的構建并非一帆風順，仍然面臨許多挑戰。首先，細胞生物數據的多樣性與復雜性是一大難題。想象一下，細胞內部有無數種類的數據，基因、蛋白質、代謝物等，每一種都像一塊隨時間動態變化的拼圖，如何將它們整合成一個完整的“生命畫卷”是科學家需要解決的關鍵。另外，不同實驗室數據格式差異也會帶來挑戰，數據的標準化與質量控制也是亟需解決的問題。

深度學習模型的可解釋性不足也為研究帶來了困難。這些模型常常被比作“黑箱”，科學家無法完全理解其決策過程。然而，在生物醫學領域，理解模型的預測依據至關重要。為此，研究人員正在努力開發更加透明和可解釋的算法，目前來看，這仍是AI在生物領域應用面臨的長期挑戰。

與此同時，計算資源的高昂成本也是一個制約因素。訓練虛擬細胞模型需要極大的計算能力，許多研究機構可能難以承受這種資源消耗，如何開發更高效的算法，提升計算效率，是當前需要解決的問題。除此之外，生物醫學數據的收集和使用還涉及隱私與倫理問題。在保護個人隱私的前提下實現數據共享，是推動這一領域發展的重要一步。

06 在生物醫學領域的應用潛力

虛擬細胞不僅有助于理解健康細胞的正常運作機制，還能揭示疾病狀態下細胞功能的異常，為疾病的診斷和治療提供新的思路。AI虛擬細胞的核心價值在于加速生物醫學研究，減少實驗成本，并提供更多可行的模擬數據。

科學家們利用AI和深度學習構建了一個虛擬的、能夠模擬真實細胞行為的模型。該模型基于大量生物學數據，通過深度神經網絡訓練，能夠模擬細胞內的各種生物學過程，如代謝、基因表達、信號傳導等。斯坦福大學的虛擬細胞研究就是如此，而加州大學伯克利分校的研究團隊則專注于細胞內的生物過程：他們使用AI技術模擬了細胞內的物質流動、代謝反應和其他關鍵生物過程，提供了一個高度精確的細胞內動態模擬平臺。

在疾病機制研究方面，AI虛擬細胞也展現了一系列應用潛力。例如，它可以模擬不同代謝障礙對細胞內物質流動的影響，幫助研究者理解代謝性疾病的機制，如糖尿病和肥胖癥。此外，通過虛擬細胞模擬神經細胞的行為，研究人員可以探索阿爾茨海默病等神經退行性疾病的生物學基礎。

在藥物研發方面，AI虛擬細胞同樣潛力巨大。傳統藥物篩選周期長、成本高，通常需要10-15年，成本高達10-20億美元，其中大量時間花在細胞實驗和動物實驗上。而使用AI虛擬細胞預測藥物反應無需真實細胞培養，可以大幅節省時間和成本。AI虛擬細胞能夠預測藥物分子在細胞內的反應，模擬其如何影響細胞內的不同通路，幫助藥物開發人員優化藥物成分，減少臨床試驗中的失敗率。例如，在癌癥藥物研發中，通過虛擬細胞模擬癌細胞的生長和擴散，研究人員可以篩選潛在的抗癌藥物，預測藥物對細胞的影響。

DeepMind的AlphaFold則可以通過預測蛋白質結構，幫助設計針對特定蛋白的藥物。而香港的Insilico Medicine使用AI模擬細胞代謝，篩選抗衰老藥物。2023年，他們使用AI虛擬細胞發現了一種新型抗纖維化藥物，并在不到18個月內推進至臨床試驗階段，比傳統方法快了數年。另外，Virtual Liver Project（MIT）也通過AI模擬肝細胞代謝，測試肝毒性。

在罕見疾病與個性化醫學領域，AI虛擬細胞也展現出巨大潛力。罕見病（如ALS、杜氏肌營養不良癥）患者數量少，藥企投資回報低，實驗數據有限，導致研究進展緩慢。而通過創建患者個性化的AI虛擬細胞，可以測試不同的藥物組合。例如，2022年哈佛大學利用AI虛擬細胞模擬不同基因突變的影響，找到了最佳藥物組合。同年，美國斯坦福大學通過AI虛擬細胞成功發現一種可能延緩漸凍癥（ALS）的新藥，并進入臨床實驗階段。2023年中國科學院也利用AI虛擬細胞預測基因編輯（CRISPR）對罕見病患者的影響，為個性化治療提供了新思路。

AI虛擬細胞在癌癥研究和免疫療法優化也能發揮重要作用。癌癥治療因個體差異大、療效難以預測，例如免疫治療（如PD-1抑制劑）對某些患者有效，但對另一些人無效，缺乏精準預測方法。AI虛擬細胞可以預測癌細胞如何對治療反應。例如，美國MD安德森癌癥中心利用AI虛擬細胞預測患者腫瘤微環境，優化免疫治療策略。2021年，劍橋大學團隊開發了“癌癥數字孿生”系統，結合AI虛擬細胞模擬不同治療方案的效果。他們通過使用AI虛擬細胞模型預測乳腺癌患者的最佳化療方案，治療成功率相比傳統方法提高了20%。

除了基礎醫學研究，AI虛擬細胞在工業、環境、仿生學等領域也有重要應用。在生物制造與合成生物學方面，傳統微生物改造方法（如基因工程）效率低，實驗周期長。而使用AI虛擬細胞可以設計高效菌株，用于生產生物制品如胰島素、抗體、生物燃料等。2022年，Ginkgo Bioworks利用AI虛擬細胞改造酵母，使其生物塑料產量提高2倍，加速了綠色化學產業發展。清華大學也利用AI優化大腸桿菌基因回路，使其高效合成生物燃料。

在環境監測和生物修復領域同樣有AI虛擬細胞參與的身影。傳統生物修復需要長時間實驗，且微生物降解污染物的效率不穩定。而AI虛擬細胞可以預測微生物如何降解污染物。美國EPA（環境保護署）用AI模擬細菌對重金屬污染的降解能力。中國生態環境部則利用AI虛擬細胞篩選最適合降解塑料廢棄物的微生物。2023年，斯坦福大學也使用AI虛擬細胞找到一種可高效降解塑料微粒的工程細菌，比傳統方法快了3倍。

07 虛擬細胞是否會走向虛擬人？

隨著虛擬細胞技術的不斷發展，“虛擬人”（Virtual Human）正逐步從科幻走向現實。但要真正實現一個完整、功能健全的虛擬人，我們還需要邁過多道關卡，攻克一系列技術難題。

首先，AI結合計算生物學為虛擬人奠定了預測細胞行為的智能基礎。例如，DeepMind的AlphaFold通過深度學習成功預測了蛋白質的三維結構，這種技術已經在細胞功能建模中展現出非凡的潛力。未來，通過訓練更強大的AI模型，我們將能夠更加精準地預測細胞的動態行為。

然后，全細胞模擬是細胞層面精確建模的重要一步。目前，使用Flux Balance Analysis（FBA）和常微分方程（ODE）等方法，科學家已經能夠計算細胞內的代謝路徑。一些研究甚至可以模擬簡單生物，如支原體（一種最小的細菌）。但要通過全細胞模擬為虛擬人提供更復雜的細胞行為支持，還需要進一步提升建模的精確度和計算能力。

在細胞之上，類器官建模則為虛擬人提供了組織級建模的可能。比如說，通過細胞自組織可以模擬器官功能，而3D生物打印可構建人造組織結構，二者均為器官建模提供數據。這不僅為器官級模擬提供了數據支持，也為虛擬人研究提供了真實的參考模型。

大規模生物數據整合可以用來實現虛擬人個體化模擬。借助單細胞測序、全基因組測序等高分辨率數據技術，科學家可以收集到個體化的生物信息。這些數據可以用來訓練虛擬人的模型，使其能夠“量體裁衣”地模擬每一個獨特的個體。

在更高的層級，神經網絡模擬則是虛擬人實現“智慧”的重要部分。以瑞士的Blue Brain Project（藍腦計劃，重建了大鼠皮層柱的簡化模型）為代表，科學家通過模擬大腦神經元的連接和活動，試圖重建大腦的功能。然而，現有神經模型僅能模擬局部電路活動，對人類全腦的模擬仍屬于理論階段。

最后，數字孿生技術將所有這些技術匯集在一起，真正構建出個性化的虛擬人。通過結合醫療數據，科學家可以創建一個與真實人體相對應的“數字化鏡像”。如果成功，這一技術不僅能用于疾病預測和個性化醫療，還可能為虛擬人提供一個動態調整和進化的能力。不過，全身數字孿生仍屬概念階段，距離真正將其運用到臨床，仍有很長的路要走。

目前，虛擬人的研究正在按層級逐步推進。從單細胞到組織再到器官，科學家們已經取得了顯著的進展。比如，在單細胞模擬方面，研究人員已經能夠完整地模擬簡單的單細胞生物，這一突破為多細胞模擬提供了技術借鑒，多細胞模擬目前正在研究中，特別是在癌癥微環境和免疫系統等復雜場景中的應用。

在組織級別的模擬上，類器官建模已經初具雛形。通過計算建模，科學家可以模擬心臟、肝臟和大腦等類器官的功能。例如，MIT開發的Virtual Heart（虛擬心臟）項目可以模擬心臟的電活動和力學行為，為心臟疾病的研究提供了重要工具。然而，器官級模擬仍然面臨著巨大的挑戰，尤其是如何將這些類器官整合成一個功能協調的系統。

全身級模擬，即虛擬人的最終目標，目前仍然是遙不可及的遠景。這不僅需要結合多器官、多系統的模型，還需要解決系統間的交互問題，最終整合成一個完整的虛擬人。這一過程不僅需要更高效的計算技術，還需要科學家們對人體生物學有更精細的理解。

?世界上第一個虛擬人類細胞，這是一個由人工智能驅動的模型，旨在模擬人類生物分子、細胞和組織的復雜行為。這一創新可能會開啟理解生物學復雜性的新途徑，并推動醫學研究的發展。圖源：Emma Lundberg

08 未來的研究方向

AI虛擬細胞代表了人工智能與生命科學交叉研究的未來方向，能夠在疾病研究、精準醫療、合成生物學等領域發揮重大作用。盡管面臨數據質量不高、計算資源有限和倫理問題等挑戰，但隨著技術的不斷進步，AI虛擬細胞有望在未來實現更加真實和精確的生物模擬，為科學研究和人類健康帶來巨大變革。隨著AI技術和生物數據獲取手段的不斷進步，更加真實和精確的虛擬細胞模型將成為可能，這將為疾病研究、藥物開發和個性化醫療帶來革命性的變化。

多尺度建模是未來研究的核心方向之一。未來，科學家們將致力于整合不同尺度的數據和模型，構建出一個更全面的虛擬細胞模型。這種多尺度整合將為疾病機理研究和藥物開發提供更精確的工具，也為虛擬細胞向更高層次的模擬邁進奠定基礎。

提高模型的可解釋性也將成為虛擬細胞研究的重點之一。通過開發具有可解釋性的AI模型，研究者可以更清楚地理解模型的工作原理，從而增強對預測結果的信任。這種透明性不僅能夠提升模型在科學研究中的應用價值，也能夠推動其在臨床醫學中的實際應用，使虛擬細胞技術更廣泛地為精準醫療服務。

虛擬細胞的構建還需要海量的生物數據，而這些數據目前分散在全球各地的研究機構中。因此，數據共享與標準化將是未來虛擬細胞研究的一個重要突破方向。通過建立全球性的生物數據共享平臺，不同的研究團隊可以更加高效地交流和協作，減少重復研究，加速技術發展。

個性化醫療是虛擬細胞技術未來最令人期待的應用之一。未來，虛擬細胞模型或許將成為每位患者的“數字化雙胞胎”，幫助醫生實時監測患者的健康狀態，并為疾病預防和治療提供科學依據。

隨著虛擬細胞技術的快速發展，倫理和監管問題也逐漸顯現。虛擬細胞的開發和應用往往需要大量的患者數據，這不可避免地涉及隱私保護和數據安全問題。此外，在實際應用中，虛擬細胞技術是否符合倫理要求、是否在醫療決策中具有足夠的可靠性，都需要明確的監管框架來保障。未來，建立一個全面的倫理與監管體系將成為推動虛擬細胞技術發展的重要前提。一個完善的倫理與監管體系不僅能夠確保技術的安全性與合規性，還能夠增強公眾對虛擬細胞技術的信任，為其大規模應用掃清障礙。

通過整合多層次的生物數據，利用先進的AI算法，人類有望模擬和預測細胞的復雜行為，推動生物醫學研究的創新發展。結合AI、數字孿生、計算生物學等技術，虛擬細胞和虛擬人有望在醫學、仿生學等領域發揮巨大作用。實現這一目標需要全球科學界的共同努力，需要跨學科的合作，以及對開放科學和數據共享的支持。

參考文獻

[1] Charlotte Bunne, Yusuf Roohani, Yanay Rosen et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities. Cell. 2024; 187(25): 7045-7063. doi: 10.1016/j.cell.2024.11.015.