虚拟细胞模型（Virtual Cell Model）是用计算模型近似「一个细胞被扰动后会变成什么样」，从而把一部分湿实验先搬到电脑里做。
它怎么工作
细胞本质上是一张巨大的化学反应网。「扰动」（perturbation）可以是敲掉一个基因、把某个基因调高、加一种药、换一个培养环境。虚拟细胞模型要学的就是这个映射：输入细胞当前状态（常见是单细胞转录组 single-cell RNA-seq 等多组学读数）和施加的扰动，输出扰动后的状态——哪些基因被打开、哪些被关掉、细胞是活是死。
打个比方，这很像天气预报：真做实验等于出门淋雨，一次一次都很贵；虚拟细胞像天气模型，先在机器里跑一遍，告诉你明天大概率下雨，你只挑最值得的那天出门验证。也像装修前先看效果图，不满意的方案不必真的砸墙。
技术上，常见做法是把细胞状态压成一个向量（embedding），把扰动看成作用在这个向量上的变换，用海量已经做过的扰动数据去学这个变换。传统系统生物学也在解方程（如常微分方程 ODE）或做通量平衡分析（flux balance analysis），但参数靠人工设定、覆盖范围窄；数据驱动的路线则希望能泛化到没做过的细胞类型和扰动上。
和几个近邻的区别
| 概念 | 关心什么 | 差别 |
|---|---|---|
| 数字孪生（digital twin） | 某个具体个体的实时状态 | 强调个体化与闭环控制；虚拟细胞多是「一类细胞 + 一类扰动」的规律 |
| 虚拟筛选（virtual screening） | 分子能不能结合上靶点 | 停在分子层面，不回答结合之后细胞整体怎么反应 |
| 蛋白结构预测 | 一个蛋白长什么样 | 输出静态结构，不是细胞对扰动的动态响应 |
对从业者和普通人意味着什么
最直接的价值是排序：候选基因和候选化合物往往成千上万，湿实验一次动辄几天到几周，模型先给出优先级，把有限资源花在最可能出结果的组合上；它也能帮忙解释「为什么这个药在这类细胞里没反应」。
边界同样要清楚：模型在训练分布之外容易失准，批次效应（batch effect）和因果混淆会带来假信号，最终结论仍需湿实验（wet lab）验证。数据覆盖了多少细胞类型、扰动、剂量、时间点，基本决定了它的上限。具体工具和评测更新很快，以官方页面为准。
对普通人来说，这条线通向更便宜更快的药物研发、更少试错的罕见病与个体化用药，也有机会减少一部分动物实验。它不会某天突然「算出一个活细胞」，更像是让实验从瞎试变成有依据地试。