发生了什么

美国加州大学圣迭戈分校的研究团队发表了两项《Cell》研究。研究人员没有只拍细胞的一张平面照片，而是把细胞拍成立体视频，并记录它随时间发生的变化。这种同时包含空间和时间的观察，被称为4D观察。学校的研究说明

为什么要看细胞的变化

线粒体是细胞里的小结构。它们帮助细胞把营养变成能量。课本常把线粒体画成一个个豆子形的小物体。但在真实细胞中，线粒体会连成动态网络。它们会移动，也会分开和重新连接，并被送到细胞需要能量的地方。

如果只看一张静止的二维照片，很多变化就会消失。4D格点光片显微镜能在立体空间里观察细胞，也能记录线粒体怎样移动。这样，研究人员不只看它长什么样，还能看它怎样行动。

第一种方法：让人工智能寻找模式

第一项研究使用了名为MitoSpace的深度学习模型。研究人员用4万个单细胞4D视频训练它。这些视频来自接受25种化合物处理的癌细胞。不同化合物会用不同方式影响线粒体。

研究人员没有把每个视频的药物名称都告诉模型。MitoSpace自己找到了细胞形状和运动的相似之处。它还可以根据线粒体的形状和运动，估计细胞的能量状态。

按照药物的作用机制进行分类时，使用4D视频的准确率为75%。使用常见的二维图片时，准确率为56%。模型还能够整理训练时没有见过的药物变化，并在不重新训练的情况下，按发育阶段整理人类肺类器官细胞。

第二种方法：建立数字孪生

另一项研究建立了一个由物理规则驱动的数字孪生。研究人员先从真实癌细胞的4D视频中，标出线粒体的位置，以及细胞内运输线粒体的微管轨道。然后，他们把负责运输的马达蛋白和其他运动规则加入模型。

研究团队先调节模型，让它的行为接近真实细胞。接着，他们模拟一种会部分破坏微管的药物诺考达唑。模型没有改变参数，却重现了真实细胞中线粒体运动减慢，以及融合和分裂发生变化的现象。

为什么这项工作重要

MitoSpace擅长从大量视频中找出隐藏的模式。数字孪生则可以根据物理规则，检验这些变化可能怎样发生。把两种方法结合起来，研究人员也许能先在电脑中比较候选药物，再决定哪些实验最值得做。这可能减少一些耗时的试验，也可能帮助发现旧药的新用途。

还不能得出什么结论

目前的结果主要来自细胞层面的预测和模拟。它们并没有证明电脑已经拥有完整的人类细胞，也没有证明患者会因此获得更好的治疗。仿真模型仍然需要真实实验来校验，不能取代安全检查和临床研究。

接下来要看什么

研究团队计划把MitoSpace和数字孪生放进同一个工作流程，并加入更多细胞结构。更长远的目标，是模拟多个细胞组成的组织。真正的考验是：当模型面对更复杂的生物系统时，它能否继续准确地贴近真实生命。MitoSpace论文摘要、数字孪生论文