[논문 리뷰] Virtual Cells: Predict, Explain, Discover

Emmanuel Noutahi, Jason Hartford외 13명|ArXiv.org|2025. 05. 20.

Cell Image Analysis Techniques인용 수 3

한 줄 요약

이 시각은 섭동에 대한 반응을 예측하는 가상 세포를 구축하고, 분자 기전을 통해 이를 설명하며, 실험실-루프 실험을 통해 치료적으로 활용 가능한 생물학을 발견하는 아이디어를 제시하고, AI/ML 및 다중 모달 데이터를 사용한다.

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.

연구 동기 및 목표

• 다양한 맥락과 모달리티에 걸쳐 섭동에 대한 세포 기능적 반응을 예측할 수 있는 가상 세포의 개발을 촉진한다.
• 위 predictions에 대한 기계적이고 생물학적으로 근거한 설명의 필요성을 주장하여 반증 가능성과 가설 생성을 가능하게 한다.
• 실험 피드백으로 가상 세포를 반복적으로 정제하는 실험-루프(lab-in-the-loop) 패러다임을 제안한다.
• 가상 세포 개발을 이끌 생물학적으로 의미 있는 벤치마크를 옹호한다.
• 가상 세포 프레임워크가 가상 환자를 포함한 더 높은 차원의 생물학적 조직 수준으로 확장될 수 있음을 시사한다.

제안 방법

• 가상 세포의 핵심 요건으로 Predict-Explain-Discover(P-E-D) 기능을 제안한다.
• 초기 세포 상태를 조건으로 상대적 변화를 예측하는 등의 설계 원칙을 기술한다.
• 주요 생물분자 간의 상호작용과 동적 섭동에 기반한 설명을 옹호한다.
• 설명을 고정하기 위해 ML 기반 개입 데이터, 구조 정보에 기반한 추론, 원자적 통찰의 통합을 개략적으로 제시한다.
• 가상 세포가 검증 가능한 가설을 생성하고 실험실 결과로 업데이트되는 실험-루프 워크플로우를 촉진한다.
• 가상 세포 모델에 대한 생물학적으로 의미 있는 벤치마크와 평가 기준을 권고한다.

실험 결과

연구 질문

• RQ1 가상 세포가 다양한 맥락과 모달리티에 걸쳐 섭동에 대한 세포의 기능적 반응을 얼마나 정확하게 예측할 수 있는가?
• RQ2 과학적으로 반증 가능하고 생물학적으로 실행 가능하도록 기계적 설명은 어떤 형태를 띄어야 하는가?
• RQ3 실험실-루프 실험이 가상 세포를 어떻게 정제하여 새로운 생물학 및 치료적으로 관련된 가설을 발견할 수 있는가?
• RQ4 약물 발견을 위한 가상 세포의 개발 및 평가를 이끌 벤치마크는 무엇인가?

주요 결과

• 가상 세포는 맥락에 대한 민감도를 향상시키기 위해 초기 상태에 상대적인 기능 변화를 예측해야 한다.
• 설명은 섭동을 주요 분자 상호작용의 동적 변화로 프레이밍하고 구조/생체물리적 통찰에 기초해야 한다.
• 실험실-루프 패러다임은 실험적 피드백을 통해 예측을 반복적으로 반증하고 생물학적 이해를 다듬을 수 있다.
• 다중 모달 데이터 통합과 고급 AI/ML은 전체 기계적 시뮬레이션 없이도 확장 가능한 예측과 설명을 가능하게 한다.
• 다양한 조직 수준에서 가상 세포의 개발과 평가를 이끄는 생물학적으로 근거 있는 벤치마크가 필수적이다.