人工智能虚拟类器官 (AIVOs) — 综述与展望
Bai L, Su J et al. | Bioactive Materials 2026 | DOI: 10.1016/j.bioactmat.2025.12.030
标签: #综述 #类器官 #人工智能 #虚拟器官 #数字孪生 #多组学 #类器官脾报道 #类器官臣医学
一、本文综述了什么
本文是一篇综述/前瞻（非原创研究），系统梳理了"人工智能虚拟类器官(AIVOs)"这一新概念与最新研究进展。AIVOs 也称 silicon organoids，是在计算空间中实例化的类器官尺度数字孪生 —— 以虚拟细胞（virtual cells）作为最小可执行单元，融合多模态与纵向测量数据构建通用状态表征（universal representations），再用受生物物理先验约束的虚拟仪器（virtual instruments）来模拟实验和扰动，同时混合机制模块（agent-based / continuum / finite-element）捕捉细胞-细胞、细胞-基质与运输动力学。
本文核心论点：当前实体类器官平台受限于批次变异性、纵向读出稀疏、规模化障碍——AIVOs 不是替代实体类器官，而是作为数字孪生循环中介(computation ↔ wet-lab ↔ clinical)，用计算补足实体类器官的天生短板，为药物筛选、个体化医疗、伦理评估提供新范式。
综述覆盖范围：
- 文献跨度：约 2020-2026 (AI virtual cells / digital twin / virtual organoids 三大领域)
- 五大主题板块：① 定义与演化 ② 虚拟细胞与 AIVCs ③ 数据-模型-交互三层架构 ④ 优势与局限 ⑤ 建模与构建策略 ⑥ 应用与评估
- 引用：实体类器官 + AI virtual cells + 数字孪生 + 强化学习 + 物理模拟 + 基础模型六大学科
- 机构: 上海大学 类器官研究中心(translational medicine + Wenzhou Institute + MedEng-X Institutes + 新华医院骨科)
配图: 综述自己的 6 张汇总图(graphical abstract + 5 大主题),不是被引用文献的 Figure。
二、综合比较的核心结论
主题 A：类器官 vs AIVOs 是什么关系
共识：实体类器官是 AIVOs 的"训练数据源"和"验证金标准",而 AIVOs 是实体类器官的"数字孪生"——两者通过数据-模型-交互三层循环互相促进。
争议：AIVOs 是否能完全替代实体类器官？各方观点不一 —— 本文观点是 No,AIVOs 与实体类器官是互补而非替代关系。
空白：AI virtual cells 在实体类器官上下文中的 benchmark 缺失。
图 1(Graphical Abstract):Physical organoids → AI-enabled organoids → Virtual organoids(AIVOs) 的完整演化路径,展示了三大范式的优势与局限。
主题 B：数据-模型-交互三层架构
共识：AIVOs 的工程实现遵循数据层 + 模型层 + 交互层的三层架构。
- 数据层:多组学(scRNA-seq / bulk RNA-seq / 空间转录组) + 高内涵成像 + 临床信息 + 实体类器官监测数据
- 模型层:表征学习 + 预训练基础模型 + 生成模型 + 多模型融合 + 可解释算法
- 交互层:Agent-based + continuum + finite-element 多尺度仿真,虚拟仪器模拟扰动
争议：模型架构以数据驱动(ML/DL)为主,还是以机制驱动(ODE/PDE)为主?本文观点是混合架构——以 ML 解码 + 物理先验约束。
空白：统一的模型 benchmark 与可重复性评估标准缺失。
图 2:数据采集 → 预处理 → 模型训练 → 评估的完整 ML pipeline,涵盖 single-cell sequencing、临床数据、batch correction、pretrained models 等核心模块。
「汇总了什么」:该图汇总了 AIVOs 数据-模型-交互三层架构的中数据层(预处理)与模型层(训练)的关键技术模块。
「对比显示了什么」:从 raw data → 数据噪声过滤 → 标准化 → batch correction → pre-trained model → 训练 → 评估,展示了多模态数据融合的完整流程。
「说明什么」:强调预处理与标准化是 AIVOs 质量的瓶颈——数据预处理不充分,再先进的模型也无法发挥作用。
主题 C：虚拟细胞作为 AIVOs 最小单元
共识：虚拟细胞（virtual cells）是 AIVOs 的最小构建单元,3 类典型起源:
- iPSC-derived virtual cells(干细胞)
- ESC-derived virtual cells(胚胎干细胞)
- ASC-derived virtual cells(成体干细胞)
争议：虚拟细胞的标准化与可重复性 —— 不同实验室训练的 virtual cells 难以直接对比。
空白：泛化性虚拟细胞模型(CellFM / scGPT 等基础模型)在类器官语境的微调方案缺乏共识。
图 3:Virtual iPSC / Virtual ESC / Virtual ASC 三类虚拟细胞的基因调控网络、发育轨迹与细胞异质性架构。
「汇总了什么」:该图总结了 AIVOs 在 3 类干细胞起源下的虚拟细胞模型架构。
「对比显示了什么」:3 类虚拟细胞共享相似的"基因调控网络 + 发育轨迹 + 异质性"建模框架,但发育轨迹参数与表型预测精度取决于上游干细胞生物学。
「说明什么」:为 AIVOs 应用于类器官发育毒性评估、疾病建模提供了"虚拟测试床"。
主题 D：虚拟细胞的多功能建模
共识：虚拟细胞需要建模多种生物功能:
- 发育分层(coding developmental stratification)
- 多细胞代谢耦合(coupled multicellular metabolism)
- 屏障完整性维持(maintaining barrier integrity)
- 微生物扰动感知(microbiota perturbation sensing)
- 感染响应(triggering infection response)
- 毒性模式分析(analyzing toxicity patterns)
- 记忆结构重构(reconstructing memory structure)
- 抗肿瘤免疫调节(modulating anti-tumor immunity)
争议：功能性建模的信度(fidelity)——哪些功能可被虚拟细胞准确模拟,哪些仍需实体实验验证。
空白：跨功能耦合建模(如发育+代谢+免疫的协同)缺乏系统性方案。
图 4:虚拟细胞的多功能建模架构,涵盖 8 大类生物功能,展示了从分子到组织的多尺度模拟能力。
「汇总了什么」:该图汇总了 AIVOs 在 8 大类生物功能中的虚拟细胞建模能力。
「对比显示了什么」:不同功能的"可模拟程度"明显不同——屏障完整性、感染响应、毒性模式比记忆结构、跨功能耦合更成熟。
「说明什么」:毒理/药理学应用是 AIVOs 短期最现实的应用场景(参考 O'Connell 2026 NRR 思路),而长期慢性病建模仍是空白。
主题 E：肿瘤/癌症应用
共识：肿瘤虚拟器官(tumor AIVOs)的应用场景包括:
- 物理特性(physical properties)
- 信号网络(signal networks)
- 形态特征(morphological characteristics)
- 实验约束(experimental constraints)
- 异质性克隆(heterogeneous cloning)
- 肿瘤-免疫-血管-氧场耦合(tumor-immune-vascular-oxygen field coupling)
争议：AIVOs 在肿瘤异质性克隆(clonal heterogeneity)建模的精度——每个克隆的突变与微环境差异仍难精确重建。
空白：肿瘤 AIVOs 与免疫 AIVOs 的耦合机制(对 Robin 8-11 马少华 TNBC RIVER 论文 = 临床落地机会)。
图 5:肿瘤虚拟器官的多尺度建模,涵盖物理特性、信号网络、形态特征、肿瘤-免疫-血管-氧场耦合等核心维度。
「汇总了什么」:该图汇总了肿瘤 AIVOs 的多平台建模能力,涵盖放疗、手术、化疗等临床应用场景。
「对比显示了什么」:肿瘤-免疫-血管-氧场耦合是当前肿瘤 AIVOs 建模的最复杂维度,但临床决策还是以物理特性 + 信号网络为主。
「说明什么」:肿瘤 AIVOs 与类器官+anti-PD-1 联合治疗筛选(马少华 2026 Cell Reports)有直接临床转化价值。
主题 F：临床前与临床应用
共识：AIVOs 在临床应用上覆盖:
- 精准医学(precision medicine)
- 药物筛选(drug screening)
- 伦理审查(ethical considerations)
- 优化策略(optimization strategies)
争议：AIVOs 在临床决策中的实际权重——目前主要作为辅助工具,而非独立决策依据。
空白：AIVOs 与电子病历(EMR)、临床决策支持系统(CDSS)的集成方案缺失。
图 6:实体类器官 + 虚拟器官的临床整合架构,涵盖疾病建模、精准医学、药物筛选、伦理审查等全链条。
「汇总了什么」:该图汇总了 AIVOs 与实体类器官在临床前/临床场景中的整合架构。
「对比显示了什么」:临床转化层面,实体类器官仍占主导;AIVOs 主要在临床前阶段(药物筛选 + 虚拟实验)发挥作用。
「说明什么」:真实世界数据(RWD)整合是 AIVOs 临床落地的关键瓶颈,也是**Robin 你的客户群(医院 + 药企 + CRO)**的真实需求。
三、对领域/产品的意义
研究空白 = 产品机会：
- 虚拟细胞 benchmark 缺失 → 标准化模型框架 + 自动化评估工具的市场空缺
- 跨功能耦合建模弱 → 多组学整合 + 物理仿真混合架构的工具机会
- 临床转化集成弱 → AIVOs + EMR + CDSS 整合平台的机会
- 伦理审查工具缺失 → 计算机模拟替代动物实验的监管科技机会
共识结论 = 宣传素材：
- "实体类器官 + AI 数字孪生是未来精准医学标准范式"
- "AIVOs 补充而非替代实体类器官 —— 混合范式是 2026-2030 主流"
- "AI virtual cells 是类器官研究的下一波范式革命"(类比 2017-2020 类器官革命)
争议领域 = 差异化切入点：
- 数据驱动 vs 机制驱动 → 我们的产品(类器官培养 + 标准化试剂)是否符合 AIVOs 标准化数据需求?
- 单细胞 vs 组织尺度 → CelVivo ClinoStar/3Brain MEA 的应用场景能否在 AIVOs 多尺度建模中复用?
- 物理芯片 vs 虚拟芯片 → 我们的 OoC 芯片 + AI 模型结合是否开辟新方向?
与我们的产品
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| CelVivo ClinoStar | ⭐⭐⭐⭐⭐ | AIVOs 的标准化数据生成源 —— ClinoStar 长期悬浮培养产生的高重复性类器官是 AIVOs 训练黄金数据;Robin 8-11 实战马少华 TNBC DEO 论文 = AIVOs 临床应用案例 |
| Femtobiomed CellShot | ⭐⭐⭐⭐ | AIVOs 虚拟细胞模型的基因递送验证 —— CellShot 高效 CRISPR/CAR-T 改造 + AI virtual cells 训练;尤其肿瘤 AIVOs (图 5) 的异质性克隆场景 |
| Cellink BIO X / 类器官打印 | ⭐⭐⭐⭐ | AIVOs 与物理 OoC 集成 —— BIO X 打印的标准化 OoC 结构 + AIVOs 实时仿真 = 数字孪生闭环;Robin 8-08 实战 3D 打印 + 类器官综述已有数据基础 |
原文下载
📥 PDF原文
参考文献
- Bai L, Su J. Artificial Intelligence Virtual Organoids (AIVOs). Bioactive Materials. 2026. DOI: 10.1016/j.bioactmat.2025.12.030
- Lancaster MA, Knoblich JA. Generation of cerebral organoids from human pluripotent stem cells. Nat Protoc. 2014;9(10):2329-40. DOI: 10.1038/nprot.2014.158
- Kim J, Koo BK, Knoblich JA. Human organoids: model systems for human biology and medicine. Nat Rev Mol Cell Biol. 2020;21(10):571-584. DOI: 10.1038/s41580-020-0254-0
Bioactive Materials 重磅！上海大学类器官研究中心（Bai/Su 团队）首次系统综述 AI 虚拟类器官（AIVOs）三大范式进化 + 数据-模型-交互三层架构 + 6 大临床应用方向：AIVOs 用通用状态表征 + 虚拟仪器 + 混合机制模块，融合 wet-lab ↔ clinical 循环，为类器官 + AI 数字孪生的下一代精准医学范式定调 🧬🤖⚡
联系人：李东伟
📞 18045130660
🌐 https://www.biokingdom.top