[論文レビュー] Virtual Cells: Predict, Explain, Discover

Emmanuel Noutahi, Jason Hartford+13 more|ArXiv.org|May 20, 2025

Cell Image Analysis Techniques被引用数 3

ひとこと要約

この視点は、摂動に対する細胞応答を予測し、分子機構を通じて説明し、ラボ・イン・ザ・ループ実験を用いて治療的に実行可能な生物学を発見する仮想細胞の構築を概説する。AI/MLと多模态データを使用。

ABSTRACT

Drug discovery is fundamentally a process of inferring the effects of treatments on patients, and would therefore benefit immensely from computational models that can reliably simulate patient responses, enabling researchers to generate and test large numbers of therapeutic hypotheses safely and economically before initiating costly clinical trials. Even a more specific model that predicts the functional response of cells to a wide range of perturbations would be tremendously valuable for discovering safe and effective treatments that successfully translate to the clinic. Creating such virtual cells has long been a goal of the computational research community that unfortunately remains unachieved given the daunting complexity and scale of cellular biology. Nevertheless, recent advances in AI, computing power, lab automation, and high-throughput cellular profiling provide new opportunities for reaching this goal. In this perspective, we present a vision for developing and evaluating virtual cells that builds on our experience at Recursion. We argue that in order to be a useful tool to discover novel biology, virtual cells must accurately predict the functional response of a cell to perturbations and explain how the predicted response is a consequence of modifications to key biomolecular interactions. We then introduce key principles for designing therapeutically-relevant virtual cells, describe a lab-in-the-loop approach for generating novel insights with them, and advocate for biologically-grounded benchmarks to guide virtual cell development. Finally, we make the case that our approach to virtual cells provides a useful framework for building other models at higher levels of organization, including virtual patients. We hope that these directions prove useful to the research community in developing virtual models optimized for positive impact on drug discovery outcomes.

研究の動機と目的

• 摂動を跨ぐ文脈とモダリティで、仮想細胞が細胞の機能的応答を予測できるよう開発を動機づける。
• 予測の機械的・生物学的根拠ある説明を主張し、反証可能性と仮説生成を可能にする。
• 実験的フィードバックで仮想細胞を反復的に洗練するラボ・イン・ザ・ループのパラダイムを提案する。
• 仮想細胞の開発を指針づける生物学的に意味のあるベンチマークを提唱する。
• 仮想細胞の枠組みが、仮想患者を含む高次組織レベルへ拡張できることを示唆する。

提案手法

• 仮想細胞のコア要件としてPredict-Explain-Discover (P-E-D) 機能を提案する。
• 初期細胞状態に条件付けられた相対変化を予測する設計原理を説明する。
• 説明は、主要な分子相互作用と動的摂動に基づく根拠づく説明を主張する。
• 説明を、構造情報に基づく推論とアトミスティックな洞察を組み合わせて anchoring する、MLベースの介入データと統合する。
• 仮想細胞が検証可能な仮説を生成し、ラボ結果から更新されるラボ・イン・ザ・ループワークフローを促進する。
• 仮想細胞モデルの生物学的意味を持つベンチマークと評価基準を提案する。

実験結果

リサーチクエスチョン

• RQ1 仮想細胞は-contextとモダリティを跨いで摂動に対する細胞の機能的応答を正確に予測できるか。
• RQ2 機械的説明は科学的に反証可能で生物学的に実用的であるためにはどのような形をとるべきか。
• RQ3 ラボ・イン・ザ・ループの実験は仮想細胞をどのように洗練し、新規生物学と治療的に関連する仮説を発見できるか。
• RQ4 薬物発見のための仮想細胞の開発と評価を導くベンチマークは何か。

主な発見

• 仮想細胞は初期状態に対する機能的変化を予測すべきで、文脈感度を向上させる。
• 説明は、特定の分子相互作用の動的変化として摂動を位置づけ、構造/生物物理学的洞察によって支えられるべきである。
• ラボ・イン・ザ・ループのパラダイムは、実験的フィードバックを通じて予測を反証し、生物学的理解を洗練させる。
• 多模态データ統合と高度なAI/MLは、完全な機械的シミュレーションなしでもスケーラブルな予測と説明を可能にする。
• 生物学的に根拠づけられたベンチマークは、複数の組織スケールで仮想細胞の開発と評価を導くのに不可欠である。