企业官网建设流程全解析

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２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２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，２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２篇论文，分别详述１种量化线粒体药物应答变化的方法。２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３维运动。

第１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２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２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。

２篇论文的共同通讯作者Johannes Schöneberg表示：「搭建了１套基于物理学的虚拟细胞，并且能够将其与真实３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。

２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２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。