Cell｜生物医学世界模型

生物系统会对环境变化产生动态响应；若能在实施复杂干预前预测这些响应，将改变生物学与医学领域计算模型的使用模式。在AI领域，世界模型用于表征系统状态，并模拟系统在不同动作作用下的演化过程。本文设想将该范式拓展至生物医学：构建覆盖分子、细胞、组织与临床尺度的世界模型，模拟生物系统在各类干预下的演化轨迹。构建这类模型需要融合观测数据、干预实验数据以及跨模态纵向测量数据。生物医学世界模型可以实现全新的研究模式：预测生物系统面对新型扰动的响应，搜寻能够驱动系统抵达目标状态的干预手段，完成长时间尺度下的实验规划。

marinka@hms.harvard.edu

#生物医学世界模型 #多组学 #虚拟细胞 #虚拟胚胎 #虚拟患者 #反事实推理 #扰动预测 #自主实验室 

图1  生物医学世界模型实现动作条件化的生物轨迹模拟

(A) 生物医学世界模型整合多模态观测，构建当前生物状态S_t，给定该状态与动作a_t。

(B) 通过重复执行动作条件化状态转移，在细胞世界模型的状态空间内生成轨迹。

(C) 模拟场景：对同一初始状态施加不同干预，或在不同初始状态上评估同一干预，对比预测得到的结局。

(D) 干预设计：逆向检索模型；给定当前状态与期望未来状态，评估候选动作诱导目标状态的能力。

(E) 序列规划：将预测得到的状态作为后续仿真的起点，实现长时演化预估。

图2  世界模型跨细胞、胚胎、患者开展动作条件化推理

(A) 细胞：对尚未开展实验测定的「扰动‑细胞背景」组合，预测细胞应答。

(B) 胚胎：串联不同时间点的胚胎发育状态，推断扰动如何重定向细胞谱系与命运轨迹。

(C) 患者：模拟同1名患者接受不同治疗方案的演化轨迹，对比预测结局。

图3  面向细胞的纵向与干预类数据采集

(A) 非破坏性活细胞成像；

(B) 代表性生物医学数据源与测量技术，区分「观测型」、「干预赋值型」；同时区分「时间可关联」、「不可关联」的测量。

(C) 当前数据的局限，以及可补齐短板的新兴技术与实验系统。

(D) 破坏性全转录组RNA‑seq检测。下方大图：来自同1份样本的多条实验轨迹；非破坏性测量可以持续追踪同1套生物系统；破坏性检测会终止该条轨迹。

图4  生物医学世界模型的评估方案

(A) 泛化能力：在已观测状态、动作上表现好可能只是记忆训练集；评估必须使用留出的状态、动作、状态‑动作组合。

(B) 时间合成一致性：直接预测Δ时长的结果，与分2段短时间转移拼接得到的结果应当保持一致。

(C) 长时退化：复用预测得到的状态继续仿真，误差会累积，导致与纵向实测数据分布漂移。

(D) 闭环评估与决策效用：对比「科学家人工启发式选择干预」与「世界模型引导选择干预」；在相同实验预算下开展实验，对比实验命中成功率。

思维导图

mindmap脑图

区分：世界模型vs其他常见生物AI范式

细胞尺度

虚拟细胞

胚胎尺度

虚拟胚胎

患者尺度

虚拟患者

构建生物医学世界模型的数据来源

模型设计原则

Box2

3大典型使用场景

参考

Cell. 2026 Sep 17;189(19):5845-5869. doi: 10.1016/j.cell.2026.08.032.

World models for biomedicine

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。