摘要人工智能AI的近期进展催生了AI虚拟细胞AIVCs其是可预测或动态生物细胞的数字孪生体能够在数字软件中模拟、预测并复刻真实细胞的行为。细胞外囊泡EVs是细胞释放的纳米级磷脂双分子层结构是细胞间通讯的重要介质。为充分发挥数字模型在EVs研究中的作用本研究提出跨学科概念——人工智能虚拟细胞外囊泡AIVEVs。本综述系统阐述了通过知识驱动白盒和数据驱动黑盒种建模范式构建AIVEVs的方法整合多组学数据以模拟EVs的生物发生、cargo分选及细胞间通讯过程。此外本文还重点探讨了AIVCs如何驱动模型预测AIVEVs成分、分析细胞通讯行为、构建病理虚拟细胞诊断图谱及增强囊泡溯源能力并提出了从硅基预测到实验验证的闭环工作流程展望了AIVEVs的临床转化发展轨迹。坚信AIVEVs将加速基于EVs的疾病诊断与治疗研发进程为细胞间通讯研究开启新纪元。drsujiacan163.com#人工智能 #虚拟细胞 #细胞外囊泡 #虚拟细胞外囊泡 #数字模型人工智能虚拟细胞AIVCs人工智能虚拟细胞的应用图2真实细胞与AIVCs的对比真实细胞依赖中心法则生成生命活动的原材料而AIVCs依赖测序和基因组学等基础数据形成分子信息基础真实细胞具有细胞器和亚细胞结构而AIVCs通过建模模拟细胞内的生命活动真实细胞通过细胞间连接和跨细胞通讯相互作用、相互影响而AIVCs基于相互作用的生物信息学分析模拟细胞间通讯。细胞外囊泡EVs细胞外囊泡的生物发生、结构与成分图3EVs的生物发生、释放、成分、内化及功能递送1生物发生与释放供体细胞早期内体发育为晚期内体/多囊泡体MVBs最终释放形成外泌体——这是EVs产生的经典途径。MVB有多种命运部分与溶酶体融合被降解部分与细胞膜融合将内容物释放到细胞外空间。常见的不同尺寸EVs包括凋亡小体500-2000 nm、微囊泡100-1000 nm和外泌体30-150 nm。2EVs成分细胞外囊泡的主要成分包括蛋白质如CD63、CD81、CD9、TSG101、Alix 等、核酸如miRNA和脂质。3内化与功能递送靶细胞细胞外囊泡通过多种机制进入靶细胞包括膜融合、网格蛋白介导的内吞作用、吞噬作用、巨胞饮作用和配体-受体相互作用。进入靶细胞后miRNA等 cargo可能调控靶mRNA蛋白质可调节信号通路从而实现功能递送。人工智能虚拟细胞外囊泡AIVEVs图1 AIVEVs的生成与功能基于基础数据细胞和/或EVs数据利用人工智能虚拟建模技术构建AIVEVs。AIVEVs可用于预测潜在治疗性EVs、分析EVs介导的细胞间通讯及模拟疾病中与EVs相关的诊断标志物特征。多模态整合预测AIVEVs成分与功能图4 AIVEVs 的生成与应用工作流程生物发生途径指导含细胞分子集的EVs生成并通过多组学数据提供基础生物学数据。可在建立AIVCs后构建AIVEVs或直接通过多组学数据构建AIVEVs。经过计算建模后对AIVEV进行预测和验证并通过功能模拟药理靶向、细胞间通讯展示其潜在应用。该工作流程概述了AIVEVs「生成-预测-应用」的整体框架。图5 AIVEV cargo预测的知识驱动与数据驱动范式及混合建模的未来方向1知识驱动「白盒」范式以供体细胞多组学数据为起点对多模态数据进行处理和整合基于已建立的生物学规则如ESCRT机制、分选规则、cargo相互作用构建知识图谱利用GNNs进行cargo预测通过实验EV cargo数据对预测的AIVEV cargo图谱进行迭代验证和优化。2数据驱动「黑盒」范式利用种主要数据源——供体细胞多组学数据用于AIVCs到AIVEVs的路径和批量/单个EV cargo数据集用于直接EV到AIVEVs的路径训练生成模型以采样并生成合成AIVEV cargo图谱对输出结果进行统计验证以迭代改进。3未来方向混合AIVEV模型——整合知识驱动与数据驱动范式充分发挥者优势形成更稳健的AIVEV cargo预测框架。该图展示了每种范式的工作流程及向整合式混合模型发展的趋势以提高预测准确性。表1AIVEV建模能力的边界该表从cargo分选异质性、动态释放速率、功能效应个建模类别分别列出了当前可精确建模的内容、基于现有知识可推断的内容及长期愿景。用于诊断的病理性AIVEVs图6疾病特异性AIVEVs建模的工作流程与应用该过程始于病理条件如缺氧、炎症驱动病理性AIVEVs的生成。通过计算模拟生成疾病特异性AIVEV图谱包含独特的生物标志物和功能性EV亚群。该图谱的核心应用包括1诊断生物标志物发现机器学习模型如随机森林、支持向量机从液体活检面板中筛选高特异性生物标志物用于疾病早期检测、亚型分类和预后评估。2解析病理性AIVEVs如何与靶细胞发生通讯异常导致免疫抑制、肿瘤转移或神经退行性变等现象。传统EV临床研究存在诸多问题如来源不可追溯、采样具有侵入性、稀有亚群不可见等而AIVEV方法可解决所有这些问题具有可追溯、非侵入性、模拟可扩展性及能够靶向稀有亚群等优势。图7 AIVEV预测到实验验证的工作流程示例步骤1硅基预测AIVC模型预测在特定病理条件下AIVEV-X富含蛋白质A和miRNA-B。步骤2体外实验a采用尺寸排阻色谱法SEC分离真实EVsb利用纳米颗粒跟踪分析NTA和透射电子显微镜TEM进行物理表征c通过高灵敏度质谱和RNA测序检测蛋白质A和miRNA-B的丰度。步骤3反馈评估预测模型与实验结果的定量比较方法批判性分析检测限和当前实验技术纯度等因素对验证过程准确性的影响。挑战与未来展望图8 AIVEV 10年内的发展阶段从概念验证到临床工具分为基础引擎构建、转化验证、临床整合个阶段各阶段目标与里程碑分别为基础引擎构建阶段0-3年需完成标准化数据集、混合模型开发、可解释性优化等转化验证阶段3-6年需实现疾病特异性模块开发、生物标志物临床前验证、治疗方案设计等临床整合阶段6-10年需达成临床决策支持系统落地、个性化治疗方案验证、长期安全性监测等。发展逻辑从技术可靠性逐步过渡到生物学相关性最终实现临床实用性进展取决于迭代验证、基准测试及监管框架的并行发展。详细总结思维导图mindmapAIVEVs构建基础AIVCs与EVs关键特性10年发展规划参考Bioact Mater. 2026 Feb 9:61:34-55. doi: 10.1016/j.bioactmat.2025.12.050.Artificial intelligence virtual extracellular vesicles (AIVEVs)260209AIVEVs.pdf注AI辅助创作如有错误欢迎指出。内容仅供参考不构成任何建议。