ARTICLE · 1055402
AI已经能“预演”细胞变化,为什么还是不能替代真实实验?
AI已经能“预演”细胞变化,为什么还是不能替代真实实验?如果我想知道一种新药会对癌细胞产生什么影响，实验生物学家通常的做法是：设计实验、培养细胞、施加药物、等待细胞发生变化，再通过测序、成像和统计分析，一点点读出结果。这个过程很可能要花掉几天、几周，甚至更久。 现在，一批研究者想把这段漫长过程的一部分搬进计算机：在动手做实验之前，先让AI把可能发生的结果"预演"一遍。 这不是在画一张逼真的细胞动画，而是在建立一种能够理解细胞状态、预测细胞变化，甚至反过来帮科学家设计实验的计算模型。过去几年，AI在生物学里的角色，正在从"识别生命"转向"推演生命"。 过去几年，AI在生命科学领域已经表现出相当强的能力。它可以识别医学影像里的病灶，可以分析基因表达数据，可以预测蛋白质的三维结构，也可以从海量文献里寻找潜在的药物靶点。 但一个容易被忽略的事实是：这些能力回答的大多是同一类问题——"眼前这个生物状态是什么，它意味着什么"。 这张影像里有没有肿瘤？这个细胞更接近哪一种类型？哪些基因异常活跃？这些问题很重要，但都属于"识别"的范畴。 真正让研究人员头疼的是另一类问题：如果我们主动改变它，会发生什么？ 敲掉这个基因，细胞会走向哪条命运？换上这种治疗方案，患者三个月后会怎样？把两种药物组合在一起，效果是叠加，还是互相抵消？ 这类问题的答案，往往藏在数据缺失的地方——因为没有人真的做过这些操作，也就没有"干预后的数据"可以直接学习。而医学真正关心的，恰恰是这些"如果……会怎样"的问题。 顺着这个缺口，一批研究者把目光投向了"世界模型"。 "世界模型"这个概念并不新鲜。它最早在强化学习和机器人领域受到关注，原因很简单：一个智能体如果要在环境里行动，光知道眼前有什么是不够的，它还得对接下来可能发生的事情形成判断——我现在在这里，往左走会怎样，往右走又会怎样。 把这套思路搬到生物医学里：环境变成了细胞、组织乃至患者，动作变成了基因敲除、药物、剂量、手术或者其他干预。模型要学的，就不只是一张张静态的"生命快照"，而是这些状态之间如何转移的规律。 2026年9月17日，由Ayush Noori、Marinka Zitnik等研究者组成的团队，在顶尖学术期刊《细胞》上发表了一篇题为《World Models for Biomedicine》的观点文章，把近几年分散在不同领域的一批工作放进同一个框架里——这就是"生物医学世界模型"。 这篇论文想回答的核心问题是：AI如何从"识别生命"走向"推演生命"？ 论文作者强调，静态数据和动态规律并不是一回事。打个比方：我们可以让AI看一万张城市地图，它很快能学会哪里是道路、哪里是建筑，甚至能估出两点之间大概要走多久。但如果突然封掉一条高速公路、下起暴雨，或者同时多出十万辆车，整个交通系统接下来会怎么变——光靠这些静态地图，AI未必学得出来。 生物系统远比交通系统复杂。作者指出，想建立跨越分子、细胞、组织乃至临床尺度的世界模型，不能只依赖观察性数据，还需要三类关键数据：干预数据（做了什么改变之后发生了什么）、纵向数据（同一对象随时间的变化），以及不同模态之间如何对应。 换句话说，AI不仅要见过很多生命状态，还得见过这些状态在人被改变之后，到底发生了什么。 而问题恰恰在于：高质量干预数据的获取成本极高。一次精心设计的细胞扰动实验，从设计、实施到测序分析，动辄几周数月；涉及人体和临床场景时，成本更是成数量级上升。数据，而不是算法，成了这个路线最现实的门槛。 其实，在"世界模型"这个名词被正式提出之前，这场变革已经有了一个更广为人知的名字——AI虚拟细胞。 2024年12月，美国斯坦福大学、基因泰克制药公司和陈-扎克伯格基金会组成的联合团队在《细胞》杂志发表倡议论文，提出一个大胆的愿景：利用AI构建细胞的"数字分身"，让计算机学会模拟细胞在药物、基因编辑等干预下的动态反应。这个概念很快点燃了全球科研界，谷歌旗下DeepMind、美国Arc研究所、阿里达摩院等机构相继入局，《自然》杂志更将"生物学基座模型"列入2025年最值得期待的七大科技突破之一。 可以这样理解AI虚拟细胞与世界模型的关系：虚拟细胞是目标，世界模型是实现它的方法论。虚拟细胞要回答的问题——"改变一个细胞，它会变成什么样"——恰恰是世界模型最擅长的任务。也正因如此，Noori等人在《细胞》论文中把灵枢细胞、ProteinTalks这批虚拟细胞工作收拢进"生物医学世界模型"的框架——它们不是两个平行的概念，而是一个愿景的两副面孔。 尽管数据昂贵，近两年还是有一批先行者把愿景变成了初步实践。其中最有代表性的两项，一项诞生于中国，一项来自中美合作团队。 先说中国的。2026年，阿里达摩院发布了生成式细胞世界模型"灵枢细胞"（Lingshu-Cell）。这个出自《黄帝内经》的名字，寓意模型要捕捉细胞生命活动的核心枢纽。 它的做法，是把单个细胞里约1.8万个基因的表达情况转换成"词元"，让模型像做"填空游戏"一样，学会基因之间如何协同工作；随后叠加掩码离散扩散模型，让细胞"动起来"——给定一个扰动（敲除某个基因、加入某种药物、施加某种细胞因子），预测扰动之后细胞的转录组状态会变成什么样。 在"虚拟细胞挑战赛"的基因扰动基准测试中，灵枢细胞在25支顶尖团队里取得了最佳综合排名，并且在人类大脑皮层、心脏等9种组织以及小鼠、猕猴等4个非人类物种的数据上，都表现出了与真实细胞的较高一致性。它代表的能力是：从细胞的"静态拍照"走向"动态模拟"。 再看"医学世界模型"（Medical World Model，MeWM）。这项由香港科技大学（广州）与约翰霍普金斯大学等机构合作的工作，首次把世界模型的思路用在了临床级场景——肿瘤治疗方案的选择上。 它的运作方式很直观：以医学影像为输入，先感知构建患者当前的病情状态；再用3D扩散模型，模拟在不同治疗方案下肿瘤未来会如何演化、如何进展或回缩；最后通过生存分析评估不同方案的预后，"方案生成—模拟推演—生存评估"形成一个闭环，不断优化。 研究显示，在肝癌介入治疗（TACE）的方案选择上，这个模型把医生选择方案的准确率指标F1分数提升了13%——也就是说，它能帮助医生在实施治疗之前，先把几个候选方案"预演"一遍，再从中挑出更可能有效的那个。 这两项工作并不是孤例。2026年9月，西湖大学等团队在《自然》杂志发表了一项虚拟细胞垂类模型研究，用超过3800万条扰动蛋白质组学数据训练模型，预测63种药物、59种药物组合以及3000种化合物对三阴性乳腺癌的疗效，在验证集上对新药物的细胞反应预测准确率达到88%——"准入门"正在从转录组扩展到蛋白质组，从基因表达扩展到药物疗效。 放眼全球，从美国Arc研究所发布的虚拟细胞模型，到"AI数字生命体"的宏观愿景，不同团队正在以不同尺度、不同数据路径推进同一件事：把生命变成一个可以计算、可以推演、可以预演的系统。 可以说，生物医学世界模型的"第一个水花"已经溅起来了：一边是细胞尺度的灵枢细胞，一边是临床尺度的医学世界模型；一个预演"细胞被扰动后怎么变"，一个预演"肿瘤在不同方案下怎么演化"。 但先别急着把实验台拆了。研究者们自己也在文章里反复提醒：这个领域距离"替代真实实验"还有相当长的路。 首先是模型之间的差异。不同团队用不同架构、不同数据、不同评估口径构建的模型，性能差异很大，彼此之间也缺乏统一的横向比较基准——"谁更接近真实的细胞或患者"，目前还没有公认的标尺。 其次是评估难题。一个模型能在训练数据涉及的场景里预测得很好，未必能推广到陌生的组织、陌生的患者、陌生的扰动组合。现有的评估手段——不管是与真实数据的相似度，还是专家的"图灵测试"——都还很难覆盖那些真正未知的场景。换句话说，预测"像"不等于因果"对"。 更深层的原因在于：生物学结论的成立，最终要依靠可控、可重复的真实实验来验证。AI预测得再漂亮，也只是提出值得去验证的猜想，而不是证据本身。真实实验在模型之外的独特价值——意外发现、机制确证、安全边界——短期内无法被计算取代。 还有一个容易被低估的瓶颈：基础设施。有研究者直言，医学世界模型的下一阶段，缺的可能不是更大的模型，而是类似于影像领域ImageNet那样的基础数据体系——一套能系统记录"当前状态—干预动作—状态变化"的标准数据结构和评测基准。没有这个共同坐标系，任何关于"哪个模型更接近真实"的比较都无从谈起。 所以，生物医学世界模型的现实定位，不是"替代实验"，而是"实验预演"。 在真正动手之前，先把一系列候选的干预方案在模型里跑一遍：哪些基因扰动更可能产生有意义的表型？哪几种药物组合值得优先做湿实验？哪条实验路径的投入产出比更高？ 研究者要做的是从中筛选出更有价值的实验路径，把有限的时间、经费和人力，投向更可能出结果的方案。这就像打游戏之前先看攻略地图——不是不闯关了，而是少走弯路。 这也解释了为什么未来AI会越来越多地参与"实验前策"：它在实验室里的角色，会越来越多地前置到实验设计环节——帮助提出更好的科学假说，帮助规划更聪明的验证方案，而不是坐在结果的终点等着宣判。 回看这条路径，可以看见一条清晰的主线：显微镜让人类第一次"看见"细胞，单细胞测序让我们开始逐个"读懂"细胞，而世界模型想做的，是让我们在改变生命之前，先在计算机里"推演"它。 这一天不会一夜之间到来。数据仍然昂贵，评估仍然困难，真实实验的地位短期内无可撼动。但方向已经清晰：AI在生物医学中的角色，正在从"解读现状"走向"推演未来"。 正如那篇《细胞》论文所展望的——如果这场变革兑现，医学研究的范式将悄悄改变：不是把实验变少，而是让每一次实验，都变得更加有的放矢。