虚拟细胞：AI 和生物力学用于 in silico 实验

# 虚拟细胞：AI 与生物力学的交汇

创建活细胞的数字模型并非科幻——这是系统生物学、计算建模与机器学习交汇处的复杂工程挑战。如今，将确定性机理模型与预测性 AI 系统相结合的努力，正在为计算实验铺平道路，这些实验能够取代昂贵的实验室操作。

为什么 JCVI-syn3A 成为黄金标准

最小合成细菌 JCVI-syn3A 仅含 493 个基因，成为首个实现完整细胞周期机理模拟的平台。研究人员纳入了以下内容：

• 所有已知生化反应；
• 基因表达模式；
• 细胞内分子的空间组织；
• 反映细胞间自然变异性的随机元素。

结果：50 次独立模拟，展示了染色体复制与分离过程。这不仅仅是动画：每个模型都考虑了酶动力学、代谢物浓度以及时间延迟。然而，将这种方法扩展到 E. coli（4300 个基因）或人类细胞（2 万多个基因）而不彻底改革方法论是不可能的。

AI 作为“自底向上”的替代方案

机理模型需要手动描述每条生化通路，而基于 AI 的系统则直接从多维数据中学习：

• 转录组学——数千基因的同时表达水平；
• 蛋白质组学——定量蛋白质谱；
• 高通量显微镜——空间与时间模式；
• CRISPR 筛选数据——对遗传扰动的细胞响应。

一个例子是 Arc Institute 的 State 模型，它基于 1.7 亿个细胞和 1 亿个扰动数据点进行训练。此类系统能在不知晓具体信号级联的情况下预测药物对转录的响应。但缺点是“黑箱”性质。如果模型出错，无法准确定位哪个生化步骤被错误建模。

虚拟细胞已在何处投入使用

尽管完全功能化的数字细胞仍遥遥无期，但部分实现已带来实际益处：

• 代谢工程：在进行任何基因改造前，模拟酵母中生物燃料生产的最优通路；
• 药理学：基于代谢网络变化预测药物毒性；
• 精准医学：模拟联合疗法下肿瘤细胞行为；
• CRISPR 设计：预测多重基因编辑的脱靶效应。

关键限制在于生物数据库的不完整。对于大多数酶，Michaelis-Menten 常数未知，调控相互作用也仅部分映射。反应速率参数的 10% 误差可能导致目标产物产量的 300% 偏差。

主要项目与计算挑战

2025–2026 年，全球举措加速推进：

• Virtual Cells Platform（Chan Zuckerberg Initiative + NVIDIA）——支持 GPU 加速的协作模型开发统一环境；
• Alpha Cell（SciLifeLab）——基于人类蛋白质图谱和时空数据的 AI 模型；
• Virtual Cell Challenge（Arc Institute）——涉及 14 个国家团队的竞赛，旨在标准化模型质量指标。

计算复杂度仍是障碍。JCVI-syn3A 机理模型即使模拟一个分裂周期也需数小时集群计算。在数亿细胞上训练 AI 模型需要分布式 GPU 集群。此外，必须考虑随机性：遗传相同的两个细胞在相同条件下，由于基因表达噪声可能表现不同。

融合，而非取代

未来不属于纯机理或纯 AI 方法，而是它们的杂交。例如：

• 用 AI 填补实验数据缺失的动力学参数空白；
• 用机理模型验证 AI 在关键节点处的预测；
• 实施可解释 AI 架构（如注意力图），追踪哪些生物特征影响预测。

人类细胞图谱项目表明，即使不完整的细胞类型地图已改造肿瘤学和免疫学。同样，部分虚拟细胞模型将在实现“完整”数字孪生前就开始影响生物技术。

关键要点：

• 完整机理细胞模型仅适用于 JCVI-syn3A 等最小生物体。
• AI 模型可扩展，但缺乏可解释性且需海量数据集。
• 代谢工程和药物筛选等领域已有实际应用。
• 杂交方法是通往通用虚拟细胞的唯一现实路径。
• 计算需求和不完整生物数据是未来 5–10 年的主要障碍。

— Editorial Team