9月20日消息，加州大学圣地亚哥分校（UCSD）团队利用4D晶格光片显微镜技术构建"虚拟细胞"——模仿活细胞动态生物过程的数字模型，两条技术路线的研究同时发表于《细胞》（Cell）杂志，通讯作者为UCSD医学院药理学系Roger Tsien讲席教授Johannes Schöneberg。

路线一是深度学习模型MitoSpace：团队用25种已知干扰线粒体的化合物处理癌细胞，产出4万部单细胞4D影像训练模型。模型在无人为标注的情况下自行学习细胞特征，仅凭线粒体形态与运动即以75%准确率区分不同药物并按作用机制聚类（传统2D影像仅56%），并在26种药物条件下预测细胞能量状态；对未见过的药物和人肺类器官细胞也无需重训即可归类，具备通用细胞生物学工具的潜质。

路线二是物理规则驱动的数字孪生：从单个活癌细胞的4D影像出发，映射线粒体及其运行的微管轨道，按已知速率加入驱动蛋白，构建遵循物理定律的虚拟细胞。测试中，团队用药物诺考达唑部分破坏微管后，数字孪生在不修改任何参数的情况下复现了真实细胞中线粒体运动减缓与融合分裂频率下降。

科学意义在于：百年来"线粒体形态反映功能"的直观认知首次被量化为可学习的强映射，且物理模型可在计算机上平行预测药物效果、疾病突变或细胞工程设计。团队下一步计划将两条路线合并——AI负责从海量数据发现模式、数字孪生解释物理成因，并纳入其他细胞器，目标是完整的虚拟人体细胞乃至组织级模拟，用于癌症、糖尿病、阿尔茨海默病及儿童线粒体疾病的药物发现（论文DOI：10.1016/j.cell.2026.08.028；10.1016/j.cell.2026.06.010）。对依赖细胞实验进行高通量筛选的制药行业，这类方法有望显著压缩早期药筛的实验周期与成本。 （来源：Phys.org）