夜雨聆风
当人工智能不断深入生命科学与医学研究，医学正在从以观察和验证为主，走向以建模、预测和闭环优化为特征的新阶段。本期合集聚焦上海交通大学附属新华医院/上海大学转化医学研究院苏佳灿教授团队提出AI虚拟生命三重奏。AI虚拟类器官（AIVOs） 从类器官出发，提出面向组织层级的数字孪生框架，试图将实体类器官扩展为可计算、可更新、可交互的虚拟系统；AI虚拟细胞外囊泡（AIVEVs） 将这一思路延伸至细胞间通信层级，希望把细胞外囊泡的生成、载货和通信过程纳入可解释、可预测的数字模型；Virtual Medicine 则从更宏观的视角，系统勾勒出人工智能赋能诊断、治疗、健康管理与临床决策的整体图景。三篇文章层层递进，呈现出一条从虚拟组织模型、到虚拟通信载体、再到虚拟医疗生态的清晰脉络。
AI虚拟类器官：推动类器官研究迈向可计算时代
从湿实验到硅基计算：什么是 AIVOs
类器官为发育生物学、疾病建模和药物筛选提供了重要的体外研究平台，但其发展仍受到批次差异、纵向读数稀疏和难以规模化等问题的制约。基于此，AIVOs 被提出为一种存在于计算空间中的类器官尺度数字孪生体，也被称为 silicon organoids。它以虚拟细胞为基本单元，通过融合多模态和纵向测量数据，并结合受生物物理先验约束的虚拟仪器与混合机制模块，对类器官的组成、状态变化和扰动响应进行计算化重建。
这意味着，AIVOs 并不是现实类器官的简单数字拷贝，也不是静态数据库，而是一个能够持续更新、进行虚拟实验并与实体系统形成反馈闭环的数字孪生系统。真实类器官和患者相关的组学、成像与功能数据可以不断校准模型，模型则反过来指导后续实验设计和干预选择，从而推动类器官研究从实验驱动走向数据—模型—预测协同驱动。
图1：虚拟类器官：演变、构建与生物医学应用
2.构建逻辑：数据-模型-交互的三位一体
构建一个逼真的虚拟类器官，绝非简单的图像渲染。作者提出了一套严密的架构，即“数据-模型-交互”闭环：AIVOs 的核心并非单纯的图像重建，而是一套由数据层、模型层和交互层组成的整体架构。数据层负责整合多组学、单细胞与空间组学、高内涵显微成像、活细胞成像以及患者临床与微环境信息；模型层结合数据驱动方法与机制模型，对细胞行为、细胞—基质互作以及营养、药物和力学环境进行跨尺度建模；交互层则连接虚拟类器官与实体类器官，使模型更新、虚拟扰动和实验反馈能够形成闭环。
文章特别强调，AIVOs 的价值不只是做预测，更在于通过持续的数据输入和模型修正，实现对类器官状态的动态表征，并为药物筛选、疾病分型、耐药分析和临床决策支持提供计算基础。
图2：虚拟类器官的构建架构
AI虚拟细胞外囊泡：把细胞通信带入数字建模
1.为什么要做AIVEVs，什么是AIVEVs
如果说 AIVOs 关注的是组织和类器官层面的数字孪生，那么 AIVEVs 则将这一思路进一步推进到细胞间通信层级。细胞外囊泡是细胞释放的纳米级膜性结构，携带蛋白、核酸和脂质等多种生物活性分子，在细胞通信、疾病诊断和药物递送中具有重要意义。与此同时，EVs 研究也长期面临来源异质性强、载货分选机制复杂、实验成本较高以及关键过程难以动态追踪等问题。
基于这一背景，文章提出了 AIVEVs，即 AI 虚拟细胞外囊泡。其核心目标是将 EVs 的生物发生、载货分选和细胞间通信过程纳入数字模型，通过整合多组学数据和生物学机制，对潜在治疗性 EVs、细胞通信行为以及疾病相关诊断标志物进行预测和分析。文章同时指出，AIVEVs 并不是为了替代真实实验，而是希望形成从 in silico prediction 到实验验证的闭环流程，从而提高研究效率并推动临床转化。
图3：AIVEVs 的生成与应用
2.AIVEVs 怎么做：白盒、黑盒与闭环验证
在建模路径上，AIVEVs 提出了知识驱动的白盒模型与数据驱动的黑盒模型并行的双轨范式。白盒模型以已知机制为基础，例如 ESCRT 相关过程和分子互作网络，更强调机制约束和可解释性；黑盒模型则直接利用细胞与 EVs 的多组学数据进行学习，更适合处理高维复杂数据中的潜在规律。两类模型共同指向对 EVs 生物发生、载货分选和通信行为的模拟。
文章进一步强调，AIVEVs 的发展方向并不是在白盒与黑盒之间二选一，而是走向知识与数据融合的混合建模框架，在提高预测能力的同时保留必要的可解释性，并通过实验反馈不断修正模型。
图4：知识驱动与数据驱动的双轨并行
Virtual Medicine：从单点 AI 应用走向医疗全流程重构
1.什么是Virtual Medicine？
与 AIVOs 和 AIVEVs 聚焦具体生命系统不同，Virtual Medicine 从更宏观的层面提出了一个新概念：它被定义为一种由 AI 赋能、突破物理限制的综合性医疗实践生态。文章指出，医学的发展已从经验医学、循证医学走到精准医学，而在数据碎片化、医疗资源不均和多组学整合复杂度不断增加的背景下，虚拟医学正在成为新的发展方向。
Virtual Medicine 并不是单指某一种模型或工具，而是系统总结了医疗 AI 在电子病历分析、医学影像、多模态诊断、药物发现、精准肿瘤学、智能外科、临床决策支持、健康管理和公共卫生中的应用，同时特别强调了大语言模型和多模态 AI 在虚拟医疗交互、临床推理和文书处理中的潜力。
图5：医疗AI在人类健康与疾病中的全景图
2.Virtual Medicine应用图景
文章指出，Virtual Medicine 覆盖的是医疗全流程，而不是单一场景。它既包括基于 EHR 的疾病预测、医学影像辅助诊断和多模态诊断，也包括 AI 赋能的药物发现、临床治疗、智能外科、健康管理、公共卫生监测和资源受限环境下的医疗服务。换言之，Virtual Medicine 更像是一个上位概念，用来整合不同层面的医疗 AI 能力，并推动诊断、治疗和健康管理向更加智能、精准和可及的方向发展。
同时，文章也没有回避现实挑战。模型透明性不足、数据偏倚、公平性、患者隐私和标准化评价体系，仍是虚拟医学真正走向可信应用必须面对的问题。
图6：Virtual Medicine在不同场景下的应用
总结与展望
从 AIVOs 到 AIVEVs，再到 Virtual Medicine，这三篇工作共同指向一种正在形成的新范式：让多模态数据、生命机制、实验系统与人工智能模型深度耦合，使医学研究从经验驱动逐步走向模型驱动，从单点验证逐步走向持续迭代。虚拟类器官为复杂组织建模提供了中观载体，虚拟囊泡为细胞通信与精准递送提供了新的计算入口，而虚拟医学则进一步把这种能力扩展到临床全流程。随着高质量数据积累、模型可解释性提升和验证体系不断完善，未来医学将更可计算、更可预测，也更接近真正意义上的精准化与智能化。
文章链接：
https://doi.org/10.1016/j.bioactmat.2025.12.030
https://doi.org/10.1016/j.bioactmat.2025.12.050
https://doi.org/10.1016/j.mmr.2026.100012
