AI与线粒体「数字孪生」模型能否加速药物发现基于4D晶格光片显微镜的虚拟细胞可预测线粒体对药物的应答有望加快治疗药物的发现进程。#虚拟细胞 #4D晶格光片显微镜 #药物应答预测 #AI药物研发 #线粒体动态网络 #单细胞成像 #线粒体数字孪生美国加利福尼亚州的ucsd.edu研究创新部门的研究人员开发了种数字模型可依据线粒体形态变化预测细胞健康状态与药物应答。在药物发现早期阶段这些模型或可降低对耗时实验室实验的依赖加快多种疾病的研发进程。线粒体在细胞内通过动态网络持续运动保障能量输送至需求最高的位置。但在疾病状态下这些线粒体网络会发生形态畸变因此可作为疾病标志物。受限于该体系静态的维快照观测方式解析网络变化如何确切影响细胞健康一直存在阻碍。如今套数字模型的开发有望解决该问题。圣地亚哥的研究人员发表篇论文分别详述种量化线粒体药物应答变化的方法。种数字技术均基于单细胞晶格光片显微镜影像开发该影像可捕捉线粒体随时间发生的维运动。第种方法是名为mitospace.ai的AI模型1使用40,000份经25种线粒体干扰化合物处理的癌细胞4D视频完成训练。仅依靠线粒体形态该模型即可将对化合物应答相近的细胞归类准确率接近75%。药物筛选中常用的基于维图像训练的AI模型准确率仅为56%本模型相较提升显著。AI辅助抗生素发现在对抗耐药淋病的持续研究中可有效识别新型化学结构与靶点。第种方法利用4D影像构建人头颈鳞状癌细胞的「数字孪生」制定这套虚拟细胞必须遵循的一系列运行规则2。研究团队借助专用图像分析软件将线粒体网络精细映射至马达蛋白与微管轨道。团队反复调试该网络使其模拟出人类细胞内真实的线粒体转运过程。篇论文的共同通讯作者Johannes Schöneberg表示「搭建了套基于物理学的虚拟细胞并且能够将其与真实维显微影像做并行比对这在以往无法实现。」研究团队使用微管破坏剂nocodazole处理模型让其预测应答表现模型输出与真实细胞的反应高度吻合线粒体运动、融合与分裂速率均出现下降。种模型在无需开展实验室细胞实验的条件下展现出预测细胞健康状态与药物应答的巨大潜力。面向未来该团队计划融合这套数字技术搭建工作流先在海量数据中挖掘细胞模式再探究该模式背后的物理机制。若将模型拓展纳入其他细胞器就能够研究完整虚拟细胞及其应答使其成为细胞生物学其他研究方向的优质工具。Schöneberg补充道「最终目标不是单个细胞而是模拟多细胞构成的组织。对完整组织建模将帮助仿真更贴近真实的人类生物学并最终为临床治疗提供参考依据。」详细总结思维导图基础信息2套模型核心信息研究价值、未来规划与局限参考[0] Could AI and ‘digital twin’ models of mitochondria accelerate drug discovery?https://www.biotechniques.com/computational-biology/could-ai-and-digital-twin-models-of-mitochondria-accelerate-drug-discovery/[1] 4D spatiotemporal landscape of mitochondrial phenotypes across cellular states unlocked through representation learning. Cell 189(19), 5962–5979 (2026)[2] Whole-cell particle-based digital twin simulations from 4D lattice light-sheet microscopy data. Cell 189(15), 4581–4593 (2026)注AI辅助创作如有不当欢迎指出。内容仅供参考不构成任何建议。