参考文献 Abramson, J. 等。用 AlphaFold 3 准确预测生物分子相互作用的结构。自然 630, 493–500 (2024)。 Theodoris, C. V. 等。迁移学习在网络生物学中的预测能力。自然 618, 616–624 (2023)。 Brixi, G. 等。利用 Evo 2 进行跨所有生命域的基因组建模与设计。自然 652, 1349–1361 (2026)。 Avsec, Z. 等。利用 AlphaGenome 提升调控变异效应的预测。自然 649, 1206–1218 (2026)。 Bunne, C. 等。如何利用人工智能构建虚拟细胞：优先事项和机会。细胞 187, 7045–7063 (2024)。这篇视角文章定义了 AIVC 的概念，并概述了实现 AI 驱动的多尺度生物系统模拟所需的设计原则和协作策略。 Karr, J. R. 等。一个全细胞计算模型根据基因型预测表型。细胞 150, 389–401 (2012)。这项开创性研究展示了第一个机制性全细胞模型，它整合了 M. genitalium 的所有分子过程，利用多种数学形式统一根本不同的细胞过程和实验测量，实现基因型到表型的预测。 Macklin, D. N. 等。通过机械模拟同时交叉评估异构 E. coli 数据集。科学 369, eaav3751 (2020)。 Lu, H., Kerkhoven, E. J. & Nielsen, J. 定量酵母生理学的多尺度模型：朝向全细胞模型迈进。生物技术趋势 40, 291–305 (2022)。 Sanchez, B. J. 等。通过整合酶约束改善酵母基因组规模代谢模型的表型预测。分子系统生物学 13, 935 (2017)。 Elsemman, I. E. 等。酵母中的全细胞建模预测驱动代谢策略的特定于区室的蛋白组约束。自然通讯 13, 801 (2022)。 Oftadeh, O. 等。一个整合表达约束和反应热力学的酿酒酵母基因组规模代谢模型。自然通讯 12, 4790 (2021)。 Adduri, A. K. 等。在多种情境下预测细胞对扰动的反应。预印本于 bioRxiv https://doi.org/10.1101/2025.06.26.661135 (2025)。本研究介绍了 State，一个基于扰动转录组数据、从超过一亿个细胞中训练的可扩展 AI 框架，能够预测在看不见的背景下细胞的反应，推动扰动效应动态建模，这是 AIVC 开发的核心。 Sun, R. 等。基于扰动蛋白组学的虚拟细胞构建基础模型。预印本于 bioRxiv https://doi.org/10.1101/2025.02.07.637070 (2025)。本研究介绍了 ProteinTalks，一个基于神经常微分方程的基础模型，经过三千八百万个扰动蛋白测量的训练，学习细胞蛋白网络动态，以预测药物的疗效、协同作用和耐药性，为虚拟细胞发展奠定了以蛋白组为中心的基础。 Jakobson, C. M. 等。基因组到蛋白组的映射揭示了自然变异如何驱动蛋白组多样性并塑造适应性。科学 390, eadu3198 (2025)。 Rizvi, S. A. 等。为下一代单细胞分析扩展大型语言模型。预印本于 bioRxiv https://doi.org/10.1101/2025.04.14.648850 (2025)。 Qian, L., Dong, Z. & Guo, T. 培养 AI 虚拟细胞：三大数据支柱与闭环学习。细胞研究 35, 319–321 (2025)。这篇视角文章提出了“数据三大支柱”——先验知识、静态架构和动态状态——作为构建 AIVC 的基础，并引入了闭环主动学习系统以自我精炼虚拟细胞模型。 Guo, T., Steen, J. A. & Mann, M. 基于质谱的蛋白组学：从单细胞到临床应用。自然 638, 901–911 (2025)。 Bauermeister, A., Mannochio-Russo, H., Costa-Lotufo, L. V., Jarmusch, A. K. & Dorrestein, P. C. 微生物组研究中的质谱基础代谢组学。自然微生物学评论 20, 143–160 (2022)。 Cui, H. 等。朝向分子细胞生物学中的多模态基础模型。自然 640, 623–633 (2025)。 Song, L., Segal, E. & Xing, E. 朝向 AI 驱动的数字生物：多尺度基础模型用于预测、模拟和编程各级生物学。预印本于 https://arxiv.org/abs/2412.06993 (2024)。 Acosta, J. N., Falcone, G. J., Rajpurkar, P. & Topol, E. J. 多模态生物医学研究