Nat. Biomed. Eng. | AI驱动DBTL闭环：哺乳动物生物设计的未来

哺乳动物生物设计正越来越多地面对仅靠直觉和反复试错难以完成的决策。将虚拟细胞模型和虚拟组织模型置于人工智能编排的“设计—构建—测试—学习”循环中心，可以把发现过程转变为一种更严格的工程实践。这种模式强调决策质量，缩短迭代周期，并提升转化研究的可靠性。

哺乳动物生物设计的目标，是赋予活细胞和组织可编程的感知、计算和执行能力，使其服务于治疗、诊断和制造。在当前人工智能浪潮之前，该领域的进展主要依赖理性化的部件级工程，例如转录开关、逻辑门和通路重布线，并通过反复筛选逐步推进。这种方式已经带来了许多重要验证，但当设计进入真实生理环境后，它很快遇到结构性限制。

这些限制包括组合空间爆炸，也就是序列、线路拓扑、递送路径和给药方案太多，无法逐一测试；情境脆弱性，即系统行为会随着细胞状态、传代次数、培养基和微环境变化而改变；读出数据彼此孤立，组学、成像和扰动数据很少被融合成一个可持续更新的统一表示；迭代缓慢且决策标准薄弱，实验能够产生数据，却无法清楚给出剂量窗口、安全边界，或提前识别晚期失败风险，例如脱靶效应、对给药或刺激时机微小变化的敏感性，以及细胞运输或组织归巢瓶颈；此外，组织尺度上的转运和药代—药效建模也仍然不足。

研究人员提出一种由人工智能编排的“设计—构建—测试—学习”工作流，并将虚拟细胞模型和虚拟组织模型置于循环中心。虚拟细胞模型整合与受控扰动相连接的多模态测量数据，包括多组学和成像信息，用于预测遗传编辑或化学信号如何在特定环境中重塑细胞状态轨迹。自动化构建—测试流程，例如DNA计算机辅助设计或制造、基因组编辑以及微流控单细胞表型组学，可以返回高内涵测量结果并更新模型。随后，主动学习选择最有信息量的干预实验；设计时和运行时的安全门控以及分布漂移检测，则将模型建议限制在生物安全和临床边界内，同时保留关于设计意图、证据和风险的可审计记录。

虚拟组织模型进一步把虚拟细胞模型的预测扩展到具有空间组织结构的组织环境中，并显式纳入转运和药代—药效约束。这样，递送、剂量和患者分层就不再是事后调整项，而成为设计过程中的核心变量。整体而言，这些组件共同构成了人工智能编排的DBTL工作流，并与近年来灵活、多模态医学人工智能系统的发展趋势相一致：系统能够适应动态指定的任务，并将推理建立在领域知识基础之上。

图1｜AI编排的哺乳动物生物设计DBTL循环。

药物发现：保留机制的筛选与模型指导给药

药物发现项目仍然高度依赖方便快速的替代性实验，但这些实验往往无法说明候选分子是否以正确时间、在正确组织中作用于正确通路。剂量窗口常常到后期才被推断出来，而且缺少明确的转运或药代—药效背景。先导化合物也可能在动力学特征或多靶点药理作用与体内异质性发生冲突时失败。前端存在两个长期障碍。对于动力学优化而言，结合速率、解离速率和驻留时间如何映射到通路动力学，通常没有进入早期筛选标准，尽管这些因素很大程度上决定了信号靶点的疗效和安全性。对于多靶点药理作用而言，药物与组织屏障、对流、结合位点竞争之间的相互作用，会以替代性读出难以解析的方式展开。

虚拟细胞模型和虚拟组织模型可以围绕机制和情境重塑药物发现前端。虚拟细胞模型可在目标细胞类型中进行计算机内假设测试，根据通路动力学、运输、细胞内转运和稳定性评估小分子、肽和结合分子，使从命中到先导的推进依据机制保持性，而不是替代信号。虚拟组织模型则将这些细胞效应带入空间组织化微环境，结合受体占有率、扩散和清除过程，提出在疗效与生物相容性之间取得平衡的剂量范围和给药方案。

在实践中，这一循环能够更早做出继续或停止的决策，减少结构—活性关系优化中的无效迭代，并通过药代—药效感知的实验设计降低晚期失败。由于每一轮DBTL都会记录设计意图、实验选择和预测风险，项目会逐步形成一条可审计轨迹，从而降低临床前开发包的风险，并更清楚地确定临床起始剂量。基于结构的设计也可以并入同一循环：高精度折叠预测与面向序列和功能的条件生成模型结合后，可以把期望功能直接连接到可实现的序列和动力学特征上。

一个示例场景是：某类细胞因子通路激动剂在细胞系替代模型中显示强效，但在原代细胞中疗效下降。针对目标细胞类型校准的虚拟细胞模型提示，过快的解离速率使信号脉冲被截断，无法达到转录阈值；虚拟组织模型进一步显示，适度肾清除会缩短目标组织中的受体占有时间。循环因此推荐两个替换位点以延长驻留时间，并提出一种脉冲式给药方案，同时遵守局部暴露限制。短程微型药代—药效研究确认了预测的受体占有曲线，项目便可进入更小但信息量更高的第二轮化学优化，而不是继续开展大规模盲目筛选。该计划的成功可通过三个指标判断：达到预注册“决策充分”阈值的实验比例，微型药代—药效暴露和受体占有的预测—观察一致性，以及前瞻性预测的校准程度。

组织工程：在制造之前绘制微环境蓝图

工程化组织失败的原因往往并不在细胞本身，而在于微环境没有被预先定义清楚。这里的微环境包括氧气和营养递送、细胞因子梯度、几何结构和孔隙率、基质电荷与刚度，以及流动和剪切力。结果是研究人员陷入盲目构建循环：先制造支架、接种细胞，然后才发现物质转运限制、缺氧或非预期信号梯度。功能性基准，如肌肉收缩性或屏障组织中的跨上皮电阻，往往很晚才达到；释放标准也没有与机制紧密连接，批次间漂移则难以检测和纠正。

虚拟组织模型和虚拟细胞模型可以从机制和情境角度重塑这一前端。虚拟组织模型可作为微环境的前向模型，预测氧气、营养物和形态发生因子在特定几何结构和基质中的分布，使血管通道、灌流路径和多细胞组成能够在制造前通过计算方式绘制蓝图。必要时，与计算流体力学耦合的虚拟组织模型可以雕刻梯度，并通过计算反映对流与扩散、反应与转运之间相对关系的无量纲指标，判断某一设计是受转运限制，还是受基因线路限制。若问题来自转运限制，补救策略就应指向灌流、孔隙率或基质电荷，而不是继续进行一轮基因重布线。

随后，虚拟细胞模型可在预测梯度条件下评估工程线路和信号模体的行为，帮助判断哪些线索应通过遗传线路编码，例如自分泌环路或阈值机制，哪些线索应通过材料或流体递送。两类模型结合后，递送、结构和细胞程序化都会成为一开始就被考虑的设计变量，而不是失败后再修补的参数。

在实践中，这一循环可以减少浪费并加速成熟。由于微环境已被预先调节，线路也已在该微环境中预先检查，组织贴片能够以更少构建次数达到功能里程碑，例如肌肉收缩性或屏障组织跨上皮电阻。因为同一组模型定义了“好产品”的机制含义，质量控制也会与机制挂钩：批次释放可以依据与功能相关的关键质量属性，并使用虚拟组织模型给出的接受区间；批次漂移则可通过对高内涵表型组学图像特征应用简单统计监测来追踪。随着自动化和单细胞表型组学提高测量频率和信息丰富度，模型校准和蓝图优化也能够同步推进，使循环成为累积式过程，而不是一次性试验。

示例场景是：一个上皮屏障构建体尽管标志物表达很强，却反复无法达到跨上皮电阻要求。虚拟组织模型显示，支架内存在陡峭氧气下降和滞流区，导致细胞因子被困。引入约150微米灌流通道和适度脉冲流后，氧气与剪切力分布均被正常化。随后，在更新梯度条件下运行虚拟细胞模型，发现紧密连接模块中的剪切响应启动子过早饱和；温和替换启动子后恢复稳定阈值。下一轮构建一次性达到跨上皮电阻、通透性和挑战后恢复目标。该过程预先定义成功标准：满足模型预测的跨上皮电阻接受区间，并在不同批次间表现稳定。

虚拟细胞模型可被理解为活细胞的计算替身。它们模拟细胞状态轨迹以及细胞对特定输入的响应，这些输入可以是遗传编辑、配体或环境变化。在实践中，虚拟细胞模型并不需要为每一种细胞类型从零开始建立全新模型，而是针对特定生物学情境进行配置。所谓情境包括细胞类型、供体状态、培养条件和刺激方案，配置方式通常是在共享建模骨架，例如基础模型的基础上，用情境特异性数据进行校准。

虚拟细胞模型从三类生物信息中学习。第一类是先验知识，包括调控图谱和生物物理约束等机制先验。第二类是由多模态测量捕捉到的静态细胞结构，包括多组学和成像数据。第三类是扰动数据揭示的动态状态变化。这里的多组学可以包括基因组、表观基因组、转录组、蛋白质组和代谢组读出；成像则可以编码形态、定位和动态报告信号。通过将这些信息与带有扰动日志的测量数据训练出的数据驱动组件结合，虚拟细胞模型能够预测工程化部件和外部信号如何改变异质细胞群体中的状态转移概率和输出谱。理想情况下，它们不仅输出平均值，还应给出分布预测和不确定性估计，并区分测量变异与生物学变异。

虚拟组织模型则将虚拟细胞模型扩展到多细胞和空间尺度。它们通过转运、力学和信号过程连接多个虚拟细胞。根据决策任务不同，虚拟组织模型可以显式表示单个细胞，例如在类器官、微流控系统或支架中；也可以在组织尺度过大而无法逐细胞模拟时，以群体密度或相互作用隔室的粗粒度形式表示。虚拟组织模型考虑扩散、流体驱动转运、结合和清除过程，用于模拟肿瘤、移植物床或工程支架等异质微环境中的暴露和响应。

虚拟组织模型还明确表明，组织水平预测依赖细胞模型的可靠性。当结果受细胞线路限制时，虚拟组织模型的结论取决于虚拟细胞模型在相关情境下预测状态转变的能力；当结果受转运限制时，即使细胞预测仍有不确定性，虚拟组织模型也可以通过排除物理上不可行的递送和暴露方案来支持决策。因此，为适合特定用途，虚拟组织模型应将虚拟细胞模型的不确定性传播到组织水平预测中，并指出哪些测量最能有效降低对决策最关键的不确定性。

在进入实验前，虚拟细胞和组织模型能够完成三类任务。它们可以根据通路时序、稳定性和状态转变风险对设计进行筛选；可以提出既达到目标暴露又符合生物相容性要求的剂量和给药时间窗口；还可以在足够早的阶段暴露安全隐患和情境不匹配，从而重定向设计和实验。

当前局限也很明确。模型性能依赖数据质量和覆盖范围；分布外变化，例如新的培养基、传代历史、供体队列或成像平台，会削弱预测能力；罕见亚群或低频细胞—细胞相互作用，虽然可能主导安全结果，却仍然难以捕捉。此外，由于虚拟组织模型把细胞预测与转运和微环境耦合在一起，它们需要与决策相关的参数化信息，例如组织结构、结合和清除特征，并需要谨慎处理不确定性。因此，虚拟细胞和组织模型必须输出不确定性感知结果，并进行定期重新校准和前瞻性压力测试。

再生医学：编排轨迹并维持功能

基于细胞的再生治疗方案成败往往取决于时机和顺序。重编程、分化和整合常依赖短暂脉冲式的转录因子、小分子或生物电子信号，而这些信号组合通过经验发现成本很高，并且难以在不同供体和不同地点间稳定复现。即使细胞通过了体外标志物检测，移植后也可能失败，因为宿主微环境、灌流、免疫状态和力学条件并没有在设计之初被纳入规划。释放标准于是容易滑向表面标志物，而不是功能；试验设计也会继承关于剂量、监测和停止规则的不确定性。

虚拟细胞模型和虚拟组织模型通过区分施加给细胞的阶段特异性输入，以及组织环境对这些细胞产生的影响，使这一问题变得更可处理。虚拟细胞模型整合多组学、成像和扰动数据，在表观遗传景观中绘制高保真“通道”，并编排阶段特异性输入，使细胞以受控方差沿目标轨迹前进。输出结果是一个“节奏图”，即模型推导出的时机和剂量安排，说明应递送哪些信号、何时递送、持续多久、强度多大，以最大化轨迹忠实度并最小化偏离谱系的进入。

虚拟组织模型随后将这一计划带入宿主体内。它们在真实灌流、免疫状态和机械负荷条件下预测移植物植入情况，并将分泌因子动态与转运和药代—药效联系起来，使剂量和时间表成为核心设计变量，而不是事后调整。植入之后，闭环控制，例如在生物相容性边界内使用电遗传或光响应执行机制，可以在组织重塑过程中维持功能。预定义的安全边界和停止规则也有助于临床试验申请前研究，并使试验设计更加可预测。

一个示例场景是：诱导多能干细胞来源的心脏贴片反复满足标志物检测标准，但植入后功能不足。基于单细胞轨迹校准的虚拟细胞模型显示，晚期钙处理信号出现过早，使细胞进入低收缩性状态盆地。通过推迟该信号并缩短脉冲宽度，新的节奏图恢复了目标状态通道。植入床的虚拟组织模型则发现贴片核心存在氧气和剪切力低谷；加入150–200微米灌流通道和适度脉冲流后，该低谷被消除，并提高了预测代谢储备。在这些条件下，虚拟细胞模型推荐使用一种耐剪切启动子来驱动成熟模块。下一轮构建在体外达到预设收缩性和挑战后恢复目标，并在模型指导的起搏方案下于体内维持功能。成功指标在计划中预先注册，包括单细胞处于模型定义目标状态带中的时间比例、偏离谱系进入率、预定义失败触发条件，以及宿主体内移植物是否处于容许范围内，以及移植物体积中有多少比例位于预测氧气和剪切力区间内，并同时报告不确定性。

细胞免疫治疗：构建体逻辑、归巢运输与自适应控制

多数细胞治疗项目仍依赖体外效力实验和经验性剂量递增，来判断本应在异质、免疫抑制组织中发挥作用的复杂设计。某些候选方案在标准共培养中看似有前景，但当不同病灶中抗原密度变化、基质屏障阻碍细胞归巢，或细胞因子负荷推动细胞耗竭时，就可能失败。药物可控的关闭开关、自毁模块和抗原逻辑线路等安全特征，往往要等系统性细胞因子释放、神经毒性或肿瘤外活性显现后才被加入。但事后补装这些模块可能改变细胞行为，并迫使重复制造和安全测试。真正缺失的是一种在前期就整合构建体逻辑、组织暴露和患者情境的视角，使设计能够转化为可辩护的剂量和监测计划。

虚拟细胞模型和虚拟组织模型可以提供这种整合。虚拟细胞模型根据目标适应证中抗原密度和细胞因子环境的分布，评估受体架构和细胞内逻辑，包括多抗原整合、阈值设定、共刺激以及安全开关。这样，构建体选择可以依据其是否能够产生持续信号，同时避免走向耗竭或细胞因子风暴来评分。虚拟组织模型则将这些细胞行为投射到异质组织中，模拟在真实转运、基质屏障和免疫状态下的归巢、浸润和靶向接触，并将其与药代—药效约束连接起来。两者结合后，递送路径、剂量和给药方案，以及可逆抑制、自杀开关和逻辑门等安全边界应放置在何处，都可以在人类剂量递增前被明确。

示例场景是：一种用于实体瘤的双抗原“AND”逻辑CAR-T细胞在替代实验中显示强杀伤，却在体内表现不足，并伴随脱靶细胞因子血症。基于原代细胞数据校准的虚拟细胞模型提示，共刺激结构域与较低抗原B阈值共同导致突触停留时间过长，并在肿瘤床预期细胞因子水平下出现早期耗竭。疾病部位的虚拟组织模型显示，细胞在脾脏和肝脏中被隔离，进入缺氧肿瘤核心的浸润较弱。循环因此提出三项调整：提高抗原B阈值并加入抑制性“NOT”门以增强特异性；切换到小分子可调安全模块，以便在敏感组织中进行短暂衰减；以及先采用区域递送，再根据局部微环境恢复预测进行低幅度脉冲给药。短期前瞻性微型药代—药效研究确认了模型预测的浸润—接触曲线，项目因此可进入更窄、更基于假设的剂量递增计划，而不是继续大范围经验递增。

为了针对一个明确用途初始化可信的虚拟细胞或组织模型，应至少汇集两个与疾病相关的细胞状态和一个正交对照，三类扰动家族，即遗传、配体和微环境扰动，每类至少两个强度，并且至少包含一种与预期组织对齐的空间或成像读出。还必须记录必要元数据，包括供体、传代、培养基、时间安排、平台和处理流程，使数据集可以被机器读取并重复使用。这个数据包足够小，适合早期循环，但又足够丰富，能够暴露失败模式并校准不确定性。

在决策质量方面，团队应预先注册什么样的实验才算“决策充分”，例如对某个疗效或安全终点的不确定性达到预设幅度的降低。报告时应同时给出校准性和区分能力。还应跟踪微型药代—药效暴露与受体占有检查中的预测—观察一致性，并记录制造、放大或场地转移期间的任何漂移监测和重新校准事件。

超越“更快”：对转化研究的具体影响

在人工智能编排的DBTL工作流中，实验设计不再只是为了提高通量，而是为了使决策充分。实验被选择，是因为人工智能模型、虚拟细胞模型和虚拟组织模型显示它们能够减少对关键转化终点的不确定性，例如效力区间、安全边界和剂量窗口。团队应预先注册什么构成“决策充分”，例如对指定疗效或安全终点不确定性的预设降低，并在报告中同时提供校准性和区分能力。这样，建模可以清楚指示项目应推进、重新设计还是停止，从而提高决策质量和循环速度，而不是简单增加数据量。

化学、制造和控制也会重新围绕机制组织。化学、制造和控制是用于证明每一批产品稳定、安全且有效的一系列规格和测试。在人工智能编排的DBTL工作流中，它变得与机制相连接。虚拟细胞模型揭示可在释放时测量的属性，例如时序阈值、运输能力或分泌速率；虚拟组织模型则把这些属性转化为真实转运和药代—药效条件下的组织水平接受区间，使批次测试与临床意图一致。由于同一组模型还会追踪培养基、传代和仪器等情境变化如何影响性能，简单的漂移监测方法就可以在偏差演变为临床意外之前触发重新校准。在放大和技术转移期间，短期微型药代—药效桥接研究可确认放大流程是否仍在虚拟组织模型预测的接受区间内实现相同组织暴露和目标占有，从而保持不同地点和批次之间的稳定性。

剂量探索也会转变为模型指导过程。剂量不再仅在动物研究后估计，而是由虚拟组织模型整合细胞效应大小与扩散、对流和清除过程，提出能够达到目标暴露且符合生物相容性限制的剂量水平和给药方案。随后，短期前瞻性微型药代—药效研究检验预测的受体占有和分布曲线，并将结果反馈给虚拟细胞和组织模型，从而在人类首次试验前收紧剂量窗口，并减少低可能应答者的不必要暴露。

为使转化证据对多学科团队和监管方可读，同一条记录链应把设计意图、实验选择、预测风险和观察结果连接起来，并与模型卡和安全边界相连。初始化时，一个最小但可信的数据集已经足以启动第一轮循环。

以设计方式实现治理与可靠性

由于虚拟细胞模型和虚拟组织模型将跨项目和跨地点重复使用，治理必须在设计阶段内置，而不是事后添加。设计时门控会在人工智能生成的建议进入实验台之前，筛查双重用途风险、脱靶隐患和情境不匹配。运行时门控则执行生物安全范围限制，并在模型不确定性较高时触发更高级别审查，尤其是在临床敏感范围内。数据漂移监测、对输入、特征或预测分布变化的自动检查，以及定期重新校准，可以在培养基、传代次数、成像硬件或患者队列变化时捕捉性能漂移。当发现漂移后，团队应开展短期微型药代—药效桥接研究，确认暴露和目标占有仍处于模型预测接受区间内。

评价不应只看准确率，还应关注是否适合特定用途。模型更新是否真正降低了实验预算，同时仍保留对晚期失败风险的检测能力，例如脱靶效应、对给药或刺激时机微小变化的敏感性，以及归巢运输限制？空间预测是否在前瞻性测试中恢复了临床上有意义的梯度和相互作用，而不只是回顾性拟合表现良好？当模型依赖灵活的多模态人工智能组件时，界面应在决策点显示数据来源和不确定性，使超适应证使用和潜在失败模式可见。最后，在每一次主要构建—测试循环前，都应预先注册建模计划，包括目标、终点、不确定性阈值和门控规则，并将结果记录进审计轨迹。

清晰论点与实践行动呼吁

研究人员认为，由虚拟细胞模型和虚拟组织模型体现的人工智能编排DBTL，已经成为药物发现、组织工程、再生医学和细胞免疫治疗中实现可靠、安全且可负担哺乳动物设计的必要条件。如果模型不位于循环中心，团队将持续面对不可承受的搜索空间、情境脆弱性，以及不同平台和地点之间比较困难的问题。有了模型，哺乳动物工程可以变得更严谨、更关注生物相容性，并支持自适应治疗控制和可审计转化。

不过，现实也需要被清楚承认。目前还没有一种被广泛接受、即插即用的虚拟细胞模型或虚拟组织模型，能够让普通实验室在新的细胞类型或适应证上直接部署，同时具备校准不确定性和临床有意义的转运约束。当前已有的是功能强大但模块化的组件，包括细胞状态基础模型、扰动响应预测器、空间推断工具以及转运或药代—药效模拟器。这些组件可以被组装为适合特定用途的工作流，但仍需要谨慎校准、明确适用范围并进行前瞻性检查。

第二个瓶颈是数据准备程度。虽然细胞图谱正在快速扩展，但跨组织和适应证匹配的多组学、成像和扰动数据仍然不均衡。关键元数据，例如供体背景、培养条件、传代、刺激时机和测量流程，常常不完整或不一致，限制了数据的可发现、可访问、可互操作和可重复使用。特别是，还需要严格的数据来源和完整性检查，包括防止被操纵或合成的图像进入训练或基准测试数据集。否则，污染输入可能使模型产生偏差、破坏校准，并削弱人工智能编排DBTL的可靠性。

为提高领域基线，研究人员建议采取三项具体行动。第一，应报告支撑虚拟细胞和组织模型的三大支柱：先验知识，例如调控和信号图谱以及生物物理约束；由多模态测量捕捉的静态细胞结构，包括多组学和成像；以及受控扰动下的动态状态变化，包括扰动类型、强度和时机。对于每个评价任务，都应以支持决策的方式报告不确定性，包括技术和生物学测量变异、决策相关量的不确定性，例如效应大小、安全边界和剂量窗口范围，以及模型输出的预测不确定性和校准程度。

第二，应发布虚拟细胞和组织模型的模型卡。这些简短文件应说明模型预期用途、训练数据、局限和失败模式，并同时列出设计时和运行时门控，明确系统在不同证据和生物安全约束下允许提出什么建议。

第三，应优先开展前瞻性、模型指导研究，证明其确实提升了决策质量，例如带来更好的实验、更安全的剂量、更清晰的患者分层和更早的停止决策，而不仅仅是提高回顾性准确率。如果这些措施得到采用，虚拟细胞模型和虚拟组织模型将成为治疗开发的持久伙伴，压缩搜索空间、澄清机制，并推动更审慎、以患者为中心的转化。

整理 | DrugOne团队

参考资料

Han, J., Fussenegger, M. AI-orchestrated design–build–test–learn is the future of mammalian biodesign. Nat. Biomed. Eng (2026).

https://doi.org/10.1038/s41551-026-01730-7