研究背景与挑战 - 当前单细胞分析和机器学习技术仅能基于瞬时快照预测细胞轨迹，无法解释多细胞生态系统的复杂时序变化[2] - 生物信息学领域存在计算工具空白，需开发能预测未观测细胞行为的新方法[3] 核心技术创新 - 提出"细胞行为假设语法"框架，通过自然语言描述构建数学模型，实现虚拟细胞实验室模拟[4] - 该语法将生物学规则转化为基于智能体的模型(ABM)，驱动虚拟细胞动态演化[10] - 突破传统建模对编程技能的依赖，使生物学家可直接用自然语言(如"低氧加速癌细胞移动")定义规则[10] 应用场景验证 癌症研究 - 模拟胰腺癌微环境：发现癌症相关成纤维细胞(CAF)密度超过阈值时，物理屏障效应可抑制75%癌细胞转移[13][14] - 免疫治疗机制：虚拟实验揭示巨噬细胞通过EGF信号促进乳腺癌转移，阻断该通路后转移率下降75%[14] 脑科学领域 - 复现大脑皮层发育：利用艾伦脑图谱数据校准参数，精确模拟体感皮层与听觉皮层的分化过程[16] 临床转化潜力 - 虚拟临床试验：在胰腺癌模型中预测三联疗法(抗PD-1+抗CD137+GVAX疫苗)对巨噬细胞富集肿瘤效果最佳[18] - 开源工具可将药物研发周期从十年级缩短至计算机模拟验证[21] 技术突破意义 - 首次实现类似天气预报的多细胞行为预测系统，支持从单细胞特征描述迈向多细胞系统建模[19] - 通过ABM技术生成数字孪生模型，突破实体实验的成本限制，为复杂生物学机制研究提供新范式[8]