从虚拟细胞到虚拟病人：中间缺失的那一层

2024 年底，Cell 刊发了一篇四十余位学者联合署名的倡议文章，标题直白：《如何用人工智能构建虚拟细胞》。

作者阵容几乎囊括了这个星球上最强的一批生物计算力量：斯坦福、哈佛、Chan Zuckerberg Initiative、Genentech、Arc Institute。愿景也很清晰——造一个 AI 虚拟细胞（AI Virtual Cell），用多尺度基础模型学习细胞的状态，给定一个扰动（敲掉某个基因、加入某个化合物），就能高保真地预测细胞会发生什么。

虚拟细胞一夜正当红。倡议机构随后立项开工，跨国科研机构与企业跟进布局。

但一个更难的问题，反而少有人正面回答：

> 从虚拟细胞到虚拟病人，中间隔着什么？

直觉的答案是：隔"更多细胞"。人体由几十万亿个细胞组成，把虚拟细胞做大、做全、连接起来，不就是虚拟病人了吗？

这篇文章想论证的恰好相反：

> 病人不是更大的细胞。中间缺失的，是一整层尺度。

一、病人不是更大的细胞

从细胞到病人，不是一个量的放大，而是质的跃迁：分子、细胞、组织、器官、人体——每一级尺度之间都伴随涌现，低一层的规律不能自动推导出高一层的规律。

还原论的辉煌恰恰在这里失效。Nature Reviews Drug Discovery 今年那篇十六人综述（我在上一篇文章里讨论过它"数据爆炸、知识贫瘠"的判词）说得直白：生命系统具备整体性与涌现效应，通路冗余、代偿激活、正负反馈回路普遍存在，单一靶点阻断常被代偿机制抵消——体外与动物实验中显著的方案，进入人体后大量失效。

这就是为什么行业流传着那句黑色幽默：在老鼠身上治愈癌症太容易了。

综述还点了另一处长期的概念混淆：配体不等于药物。配体只需与靶点产生生化结合活性；真正的药物必须在疗效、安全性、成药性、耐受性维度全面达标。大量高亲和力配体存在毒性超标、溶解度不足、代谢缺陷，完全不具备成药潜力。

> 分子能结合，不等于人体有反应。

从"结合"到"反应"之间，隔着的正是那一层尺度。

打个比方。虚拟细胞做得再完美，相当于把一栋楼的电路图摸得门儿清：哪根线通哪个插座，扳动哪个闸刀哪盏灯会亮。但医生面对的不是一栋楼，是一座城——水、电、气、交通在实时互相影响，城市还会自己修复、自己适应，而且每个病人都是一座结构不同的城。

把一栋楼的电路图再精确一万倍，也推不出这座城市的交通调度。

> 缺的不是更大的模型，是另一个尺度的地图。

二、另一个尺度的地图

上一篇谈知识的量化时，我说过地图与游记的区别：地图上每个对象有坐标、对象之间有路网、路网支持规划路线。

虚拟细胞是在细胞坐标系里造地图：坐标轴是基因表达、蛋白丰度、细胞状态。这张图画得再精细，坐标系本身就决定了它回答不了"这个人的肝代谢会怎么代偿"这类问题——后者需要的是人体尺度的坐标系。

问题随之而来：两个坐标系之间，怎么换算？

我们的答案是引入中间层——模块。在与清华大学未来实验室的研究中，我们用 332 个模块构建人体尺度表征，即能力组学（Capomics）的模块地图：覆盖衰老标志、器官系统、免疫、营养，也纳入中医证候代理与药食同源靶点。分子级事件（结合、抑制、激动）映射到模块级功能变化（通路活性、细胞过程、器官功能），模块再组合出人体响应。

> "分子 → 模块 → 人体"：模块，就是两个坐标系之间的换算层。

虚拟细胞擅长回答"扰动之后，这个细胞会怎样"；虚拟病人要回答"干预之后，这个人会怎样"。中间那一层翻译，绕不过去。

还要强调一点：模块不是 332 个孤立靶点，而是一张相互作用网络——模块间的冗余、代偿、反馈关系在网络结构中显式建模。扰动一个模块，看的是整张地图的涟漪，而不是一个点的读数。这正回应了第一节说到的涌现问题：代偿之所以能被推演，是因为它被写进了地图的路网里，而不是被留在文献的从句里。

三、虚拟病人比虚拟细胞多出的两样东西

我曾用五个要素定义世界模型：State（状态）、Action（动作）、Transition（状态转移）、Objective（目标）、Feedback（反馈）。

尺度从细胞换成人体，这五个要素要全部换底座。其中有两样东西，是虚拟细胞天然给不了、虚拟病人必须自己长出来的。

第一样：Action 的医学语义。

细胞实验里的动作很简单：敲基因、加化合物、换培养基——可重复、可无限平行、即时读数。

医学里的动作是另一回事：用药、营养、运动、手术——每一个都带安全性约束、带耐受性边界、部分不可逆，并且永远与目标（Objective）绑在一起：不是"做了什么"，而是"为了什么而做"。

更关键的是，医学的 Action 必须绑定"响应人群"。同一个干预，对一部分人有效，对另一部分人无效甚至有害——这是临床转化最贵的一道分水岭。所以虚拟病人要推演的核心问题，不是"这个分子活性多强"，而是：

> 这个人对这个干预，有没有响应？

第二样：复测反馈闭环。

细胞可以无限重复实验，人体不能。人只能周期性地回来复测。

听起来是约束，其实这正是虚拟病人独有的数据结构。预测某人有响应，干预一个周期后回来复测：指标真的变好了，预测加分；没变，模型修正。"预测 → 干预 → 复测 → 修正"——每一次复测，都是一次 n=1 的前瞻性验证。

十六人综述指出：自 2016 年欧盟 Avicenna 计划提出虚拟临床试验概念以来，患者个体级的前瞻性疗效预测验证长期缺位；而多数模型的"高性能"，恰恰源于训练测试集不合理拆分造成的信息泄露。

> 复测，是虚拟病人对抗纸面指标的武器。

检测即数据，复测即随访。这个闭环一旦转起来，虚拟病人就开始自我进化——这是单纯把虚拟细胞做得更大所无法获得的性质。

四、经济账：为什么这一层最值钱

方法论讲完了，最后算一笔账：为什么值得在这一层下注。

十六人综述给出的价值标尺非常冷峻：对药物上市总成本影响最大的变量，不是临床前发现的速度，而是 II 期临床成功率。II 期是疗效首次接受人体真实检验的地方，患者异质性极强，是新药研发公认的死亡谷。而每个成功上市的药物，背后对应的资本化总成本接近 9 亿美元。

而采用生物标志物完成患者分层的项目，单次成功上市的资本化成本，仅为未分层项目的一半。

一半。这不是提速百分之几的优化，是成本结构的量级变化。

于是再看行业现状，就有点讽刺：AI 应用高度集中于临床前分子发现——因为临床前数据充足、建模难度低、出成果快。综述称之为"路灯下找钥匙"：钥匙丢在黑暗里，但路灯下亮堂，就在路灯下找。

虚拟细胞是那盏很亮的路灯。它有价值，值得建。但药物研发最贵的那一刀不在培养皿里，在死亡谷里。

> 尺子不在路灯下，在死亡谷里。

结语

从虚拟细胞到虚拟病人，缺的不是算力，不是数据量，不是参数规模。

缺的是一层尺度：从细胞坐标系到人体坐标系的换算层——一张人体尺度的模块地图。

缺的是一种动作语义：不是"扰动细胞"，而是"为了目标，对这个人做这件事，他会不会响应"。

缺的是一种反馈结构：不是无限重复的实验，而是"预测 → 干预 → 复测 → 修正"的闭环。

虚拟细胞回答：扰动之后，细胞会怎样。

虚拟病人回答：干预之后，这个人会怎样。

中间缺失的那一层，就是全部的战场。

1. Bunne C, Roohani Y, Rosen Y, et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities. Cell. 2024;187(25):7045-7063. DOI: 10.1016/j.cell.2024.11.015.

2. Bender A, Thomas MC, Scannell JW, et al. Artificial intelligence in drug discovery — what it is, where we stand and the path forward. Nature Reviews Drug Discovery. 2026. DOI: 10.1038/s41573-026-01496-2.

3. Xiong J, Xia Q. Toward a Self-Learning AI Agent for Drug Repurposing: Building Human-Scale Representations for Virtual Patients. Preprints.org. 2026. DOI: 10.20944/preprints202608.0998.v1.

4. Xiong J. World Models for Biomedicine: A Steerability Framework. Preprints.org. 2026. DOI: 10.20944/preprints202605.0366.v1.