如何构建 AI 驱动的数字生物体

用计算模型去理解生命，已有数十年积累：Virtual Cell 最早把反应速率方程与显微图像所示的亚细胞定位结合起来，在虚拟神经元中模拟内质网 IP3 介导的钙释放 ^[5]；Cell Collective 让全球科学家不必写数学方程或代码，就能协作构建大规模生物过程模型并实时模拟功能缺失与获得 ^[1]；PK-Sim 与 MoBi 平台则整合分子反应网络、疾病生物学与全机体生理，在虚拟临床试验中模拟胰腺肿瘤对药物治疗的应答 ^[4]。但机制建模始终受制于细胞本身的复杂性，靠一个人或一个团队把细胞整体写成方程并不现实 ^[1]。另一条路由 AI 基础模型铺开：BioGPT 在大规模生物医学文献上预训练生成式语言模型 ^[2]；ProGen2 将蛋白质语言模型扩展到 64 亿参数、训练序列逾 10 亿条 ^[3]；scGPT 基于超过 3300 万个细胞构建单细胞基础模型 ^[7]；scFoundation 则有约 1 亿参数、覆盖约 2 万个基因、在逾 5000 万份人单细胞转录组谱上预训练 ^[8]。然而这些模型各守一个尺度或模态，彼此并不连通；2024 年提出的 AI 虚拟细胞（AIVC）设想用多尺度、多模态大神经网络模拟分子、细胞与组织的行为 ^[6]，但视野仍止于细胞层面，而“在物理世界中操纵生物学”的复杂性依旧。

2026 年 8 月 13 日在线发表于 Nature Medicine 的这篇展望文章（doi:10.1038/s41591-026-04595-0）由 L Song 等撰写^[9]，正面回应了这一难题：作者设想一个“AI 驱动的数字生命体”（AIDO）——由多个跨尺度基础模型集成而成的系统，以模块化、可连接、整体化的方式组织，以反映生物系统的各个层级^[10]，并具体阐述了如何构建和使用这样的模型来推进生物学与医学研究。

相对于既有认识，这篇文章的推进体现在两处。其一，与 AIVC 将目标限定在分子—细胞—组织 ^[6] 不同，AIDO 把尺度推到了生物体整体，与 PK-Sim 式的全机体生理整合 ^[4] 形成呼应，只是构件从手写的机制方程 ^[5] 换成了数据驱动的基础模型；其二，与 BioGPT、ProGen2、scGPT、scFoundation 等各自独立的单尺度模型 ^[2][3][7][8] 不同，它把“系统集成”置于核心主张，强调让跨尺度模型彼此连接、协同运作。据报道，GenBio AI 也在产业界推进同一系统的开发^[11]。

也应看到，这仍是一篇愿景式的方法论文章：它给出的是 AIDO 的构建与使用路线，而非一个已建成系统的验证结果；这样的数字生命体能否真正落地、跨尺度模型如何整合与校准、其预测能否经受真实生物学与医学场景的检验，都是留给后续工作的问题。