超越AI虚拟细胞，邢波/宋乐提出“AI数字生命体”（AIDO），推动生命的可计算、可预测和可编程

撰文丨王聪

编辑丨王多鱼

排版丨水成文

大约 46 亿年前，地球诞生；大约 35 亿年前，地球上进化出了首个碳基细胞——蓝细菌。直到 20 多年前，康涅狄格大学Leslie M. Loew首次提出了“虚拟细胞”（Virtual Cell）概念。

近年来，高通量技术和人工智能（AI）的最新进展为更复杂的虚拟细胞模拟铺平了道路。

2024 年 12 月 12 日，Stephen Quake等人在Cell期刊发表了题为：How to build the virtual cell with artificial intelligence: Priorities and opportunities 的展望文章，提出了人工智能虚拟细胞（AI Virtual Cell，简称为 AIVC）的概念，并为 AIVC 的构建提供了一个愿景，阐述了构建 AIVC 的机遇和挑战【1】。

这篇文章掀起了如今热闹的虚拟细胞（Virtual Cell）热潮，能够预测细胞在不同尺度和生物学情境下的行为的虚拟细胞模型，正迅速成为药物发现领域的新前沿。

在当前的虚拟细胞创业公司中，GenBio AI提出了一个更宏大的愿景——构建“AI 数字生命体”（AI-Driven Digital Organism，简称为AIDO），这是一个模块化、可连接且整体化的多尺度基础模型系统，利用 AI 来建模和模拟生物学与生命过程。细胞是其中一个尺度，而 AI 虚拟细胞（AIVC）只是 AIDO 的一个子集。

他们设想，AIDO 能够反映生物学中的不同尺度、相互关联性以及复杂性，将为从分子到细胞再到个体各个层面的生物学预测、模拟和编程提供一个安全、经济且高通量的替代平台，从而推动新一轮更精准指导的湿实验研究和更科学严谨的第一性原理推理，最终帮助更好地破译并优化生命。

GenBio AI公司创始团队阵容豪华，包括春华资本创始人兼董事长胡祖六博士、全球首个专注于人工智能的高等院校穆罕默德·本·扎耶德人工智能大学创校校长邢波教授、诺奖得主David Baker教授、穆罕默德·本·扎耶德人工智能大学/百图生科前 CTO 宋乐教授等。

2026 年 8 月 13 日，邢波教授和宋乐教授等在Nature Medicine期刊发表了题为：How to build an AI-driven digital organism 的展望文章【2】。文章提出了构建“AI 数字生命体”（AIDO）的宏大愿景，并为 AIDO 的构建提供了一个清晰的三阶段路线图。

为什么我们需要一个“数字生命体”？

生物学是医学、药学、公共卫生和长寿科学的基石。但在真实世界中，研究生物学极其复杂、昂贵且充满风险。为了测试一种新药，科学家们通常需要在实验室里耗费数年时间、花费数十亿美元，还要经过大量的动物实验以及进一步的临床试验，才能知道它是否有效、是否有副作用。

相比之下，在航空航天、核工程等领域，工程师们早已习惯先在计算机上进行数字化设计、仿真和验证，再进入实际制造。那么，生物学为什么不能也这样做呢？

这正是AI 数字生命体（AI-driven digital organism，AIDO）想要解决的问题。它的目标是在计算机中建立一个安全、廉价、高通量的虚拟平台，让我们能够预测、模拟甚至编程从分子到细胞再到个体的所有生物学活动。

什么是 AIDO？——不仅仅是另一个 AI 模型

近年来，研究人员已推出了生物学 AI 模型：有的能够预测蛋白质结构（例如 AlphaFold），有的用于分析基因序列（例如 Nucleotide Transformer），有的可以处理单细胞数据（例如 scGPT）。但这些模型大多是“单打独斗”——它们只擅长处理某一种数据类型，无法真正理解生物系统内在的多层次、互联互通的复杂性。

而AIDO则完全不同。它被定义为一个集成的、多尺度的基础模型系统，能够模拟整个生命系统中的生物学、生理学和临床过程。

打个比方： 如果说现有的生物学 AI 模型是一堆散落的乐高积木，那么 AIDO 就是一套完整的、已经组装好的乐高城堡——它不仅包含所有零件，还知道每个零件如何相互连接、相互作用。

AIDO 的核心是一个通用的生物实体表征方法，它将基因、调控元件、蛋白质、细胞器、细胞、组织、器官乃至整个有机体，都用数字向量（计算机能理解的数学语言）来表征。这些表征可以从原始数据中实时计算出来，并能整合来自不同实体的相互作用、时空条件和已有知识。

生物学作为一种多尺度系统，涵盖了分子、细胞内、细胞间、组织/器官、个体、种群及病原体网络六个尺度

AIDO 作为生物学的多尺度计算表征

AIDO 能做什么？——从预测到编程，全面赋能生物学

一旦建成，AIDO 将具备四大核心能力——

• 预测生物学现象：从氨基酸序列预测蛋白质结构，从基因型预测表型，从细胞状态预测其对特定刺激的反应。

• 模拟复杂生物学过程：模拟基因操作、环境变化对生物系统的影响，甚至可以在计算机里“进化”生物系统——通过施加虚拟的选择压力，研究进化过程，优化生物功能。

• 生成与设计：设计具有特定特性的新生物分子和调控网络，例如疗效更高、副作用更低的药物，或者全新的合成生物学回路。

• 编程生物学功能：在虚拟系统中测试和验证新的生物功能，就像程序员编写和调试代码一样，只不过这里的“代码”是 DNA、蛋白质和细胞。

如何构建 AIDO？——三阶段战略

AIDO的构建并非一蹴而就，作者们提出了一个清晰的三阶段路线图——

第一阶段：分而治之——构建模块化基础模型，首先，针对不同的生物数据类型（DNA序列、RNA、蛋白质、单细胞转录组、生物医学文本等），分别训练专门的基础模型。

第二阶段：连接点——跨模态、跨尺度集成，这是最关键的一步，科学家们需要开发架构，将这些孤立的模块连接起来，让信息能够在不同生物尺度之间流动。文章提出了几种巧妙的策略——

• 标记语言模型：像给网页加标签一样，给生物序列加上注释（编码区、非编码区、调控元件等），让一个模型能同时学习基因组、转录组和蛋白质组的信息。

• 位置表示：考虑到生物数据的多维特性（序列进化关系、蛋白质三维结构、细胞空间组织），设计先进的编码方案，让模型能同时沿多个维度进行注意力计算。

• 可微分计算图：构建一个端到端可微分的计算图，将分子层面的信息向上传递到细胞层面，再将细胞层面的信息向上传递到组织和表型层面，同时高层信息也能反馈回来优化低层表示。

第三阶段：对齐与优化——打造统一系统，最后，将所有模块统一到一个协同优化的框架中。通过联合优化跨越分子、细胞和表型等多个尺度的任务目标，使整个系统的表征保持一致性和生物合理性。这一步标志着从强大的基础模型集合，向连贯的多尺度生物表征的转变。

构建 AIDO 的三阶段路线图

AIDO 的实际应用：以代谢疾病为例

文章用一个生动的例子展示了 AIDO 如何应用于真实世界——假设我们要为代谢疾病（例如高胆固醇）开发新疗法。首先，将通用 AIDO 适配到肝脏生物学——用肝脏特异的基因组、转录组、蛋白质组和临床数据进行持续预训练。

第一步：验证已知生物学，让AIDO 预测他汀类药物的作用机制，它应该能正确识别HMG-CoA 还原酶（HMGCR）是他汀的主要靶点，并预测药物与靶点的结合方式以及下游效应。通过验证，我们确认系统“学对了”。

第二步：发现新靶点，在胆固醇调控网络中搜索新的干预点。AIDO 可以通过传播扰动信号，找到那些在多个生物学层面都有益的潜在靶点。

第三步：设计新分子，针对优先靶点，利用分子生成模型设计候选小分子药物、生物制剂或基因疗法。

第四步：模拟多尺度效应，在数字生物体中完整模拟候选药物的效果——从分子层面的靶点结合，到细胞层面的通路激活，再到组织层面的代谢变化，直至全身的心血管风险。

第五步：预测患者结局，连接电子健康记录和纵向队列数据，预测治疗效果、安全性和个体化反应，指导患者分层和临床试验设计。

挑战与思考：不只是技术问题

尽管前景诱人，但构建 AIDO 面临着诸多挑战——

• 评估与基准测试：需要建立覆盖不同生物尺度的标准化基准任务，从分子功能预测到细胞扰动建模，再到人群表型预测。

• 可解释性：AI模型的“黑箱”问题在医疗领域尤为关键。AIDO 的模块化设计提供了一定程度的天然可解释性——高层预测可以伴随一系列中间预测结果（分子→细胞→组织→器官），形成可追溯的因果链条。

• 可信度：需要严格的数据溯源、可重复性验证和透明度。开源预训练模型、标准化数据格式和共享评估基准至关重要。

• 安全性：能够设计蛋白质、调控元件和细胞扰动的能力，也可能被滥用来产生有害的生物制剂。未来可能需要内置安全护栏，如检测和拒绝涉及已知病原序列的请求。

一个开放、协作的未来

最后，作者们强调，AIDO 不应是一个单一的集中式模型，而应是一个开放的、模块化的、不断演进的生态系统。不同的实验室和组织可以贡献专门的模型、数据集、基准测试和适配方法，通过共享接口和标准化评估协议实现协作。

通过持续的版本迭代，AIDO 有望成为生物学领域的社区基础设施——类似于大语言模型的开源生态。如果成功，它将为生物发现和精准医学提供一个可扩展的计算基础，使我们能够更安全、更高效地探索分子、细胞和表型层面的干预措施。

将不同模态和尺度整合到统一AIDO中的原则

也许在不远的将来，“先计算模拟，后实验验证”将成为生物医学研究的标配。而 AIDO，就是开启这扇大门的那把钥匙。

1. https://www.cell.com/cell/fulltext/S0092-8674(24)01332-1

2. https://www.nature.com/articles/s41591-026-04595-0