《麻省理工科技评论》中国发布AI虚拟细胞（AIVC）研究报告

过去十年，以AlphaFold为代表的AI工具解决了设计"新零件"的问题——预测蛋白质结构、性质与互作，提升候选分子的发现效率。但报告指出，这类AI制药路径难以判断一个靶点在特定疾病细胞中是否会带来真正有效的响应。AIVC把研究对象从分子层面推进到细胞层面，将细胞视为由基因调控网络、信号通路、代谢过程和表型共同构成的动态系统，预测逻辑从"靶点命中"演化为"细胞响应"。

这一转向的现实压力来自药物研发的"双十定律"：平均耗时十年、耗资超过十亿美元，九成以上的失败发生在临床转化阶段。报告认为，AIVC未来有望压缩实验需求和成本，并为细胞治疗、基因疗法等方向提供计算支撑。更远的目标是从细胞响应延伸至系统效应，回答研发中最昂贵的问题：分子层面的变化能否真正转化为患者疗效。

AIVC并非凭空出现。生命科学一侧，1990至2003年完成的人类基因组计划开启了生命信息的规模化数据化，2009年前后单细胞转录组测序提供了单细胞分辨率的数据基础，2016年起扰动-响应数据集开始建立；AI一侧，2017年Transformer架构提出，2020年AlphaFold 2从算法层面证明深度学习可以习得复杂生命规律。两条脉络交汇，业内因此将AIVC视为"下一个AlphaFold时刻"。

报告把AIVC的构建拆解为数据、模型、自主智能和干湿闭环四个层级。数据层面需要四类数据协同：细胞静态数据（以单细胞转录组为主）、扰动-响应数据、临床数据，以及提供结构化约束与可解释性的生物学先验知识。数据进入模型训练前要经过去噪、去重、标准化和跨模态对齐四道加工，其中跨模态对齐被报告称为最核心、难度最高的环节。

模型层面正在经历从静态表征到状态迁移与连续演化的迭代。早期以Transformer为代表的自监督预训练模型回答"细胞是什么"，代表成果包括博德研究所的Geneformer；扰动模型引入干预前后对照数据，回答"细胞如何变化"，代表成果包括斯坦福大学的GEARS、Arc Institute的STATE；当前领域向动态建模探索，通过世界模型在潜在空间中预测系统未来状态，回答"细胞如何演化"，代表成果包括百曜科技的CellOS、同济大学的AlphaCell、GenBio AI的AIDO Cell、Arc Institute的Stack等。

值得注意的是，报告明确提示：AIVC模型参数规模已从早期百万级跃升至数亿级，部分成果突破十亿级，但与自然语言模型不同，单纯扩大规模并不必然带来更好的零样本泛化能力，训练目标、扰动覆盖、细胞上下文与任务类型同样关键。在模型之上还需要一个把科研问题拆解为可执行任务的调度层，即自主智能，由通用大模型负责理解提问、规划与调度工具，AIVC模型负责细胞状态与扰动响应预测，智能体将二者串联并对接湿实验验证。