“虚拟细胞”：让海量数据变身生命活动的“预测神器”

本文介绍了‘虚拟细胞’这一前沿科研方向的现状与挑战。虚拟细胞旨在通过计算模型全面模拟细胞的结构、功能及对外界刺激（如药物、基因扰动）的响应。目前存在两类主流建模路径：一是基于生物物理原理的数学模型（如用微分方程描述代谢、信号传导），优点是机制清晰、可解释性强，已成功模拟支原体分裂和肿瘤免疫微环境；二是基于人工智能的‘基础模型’，利用海量单细胞转录组等数据自动学习复杂模式，具备跨细胞类型泛化潜力，例如Roohani团队的Stack模型可预测28种人体组织对药物的反应，Xaira公司的X-Cell模型甚至能推断未训练过的T细胞激活机制。然而，当前所有模型仍存在明显局限：数学模型受限于人类对细胞生物学的认知深度；AI模型则面临数据噪声大、因果关系难建模、扰动实验覆盖不全等问题——单细胞RNA测序数据本身信噪比低，传统评估指标易忽略关键但微小的生物学变化。为此，研究者开发了新工具如Systema（专注扰动特异性变化）和State模型（结合细胞群体异质性建模），显著提升了预测精度（如将强响应基因预测准确率从7%提升至约33%）。但整体而言，现有模型大多仅适用于简单癌细胞系，尚无法可靠映射到真实器官或原代人体细胞；2025年‘虚拟细胞挑战赛’也表明，纯AI模型尚未超越融合传统统计方法的混合模型。因此，构建真正可信、动态、多尺度的虚拟细胞，仍需更高质量的因果扰动数据（如X-Atlas/Pisces）、跨学科协作以及对模型鲁棒性的严格验证。