近年来，数字孪生技术正以前所未有的速度渗透至生物医药领域。从临床试验优化到疾病机制建模，从器官芯片到单细胞模拟，这一源自航天工程的理念正在被重新定义并应用于生命科学的复杂场景中。2026年7月9日，Carrie Arnold在《Nature Biotechnology》期刊发表题为"Biotech's digital twin dilemma"的深度新闻特稿，系统梳理了数字孪生在生物技术领域的发展现状、技术分歧、应用场景及验证困境。

问题的起点：临床失败率与新工具的需求

药物开发长期面临超过90%的临床失败率，且将一款药物从发现推进至上市所需成本高达数十亿美元。这一高损耗率的背后，一个关键瓶颈在于临床试验本身的设计局限。理想的临床试验需要能够比较同一患者在治疗前后不同结局的能力，而现实中的对照组设计只能提供近似估计，且易受噪声和生物异质性的干扰。

为应对这一挑战，以Unlearn公司为代表的初创企业开始构建临床试验参与者的"数字孪生"。这类模型能够回答反事实问题：具有特定特征的患者在不接受治疗的情况下病情将如何发展？如果接受某种疗法，结局又会如何变化？这些预测结果可帮助药物开发者优化研究设计，精准筛选最有可能使试验成功的患者队列。

从航天工程到细胞时代：数字孪生的概念迁移

数字孪生最初由美国国家航空航天局在阿波罗计划中开发，用于测试火箭和轨道器等航空设备。由于物理原型建造困难且成本高昂，工程师构建了详细的计算机模型，在不危及昂贵材料的前提下进行设计测试与迭代优化。这一思路形成了计算机模型与物理产品之间的持续改进反馈回路。

在生物技术领域，数字孪生面临一套截然不同的问题集。除时间和金钱约束外，研究人员还需应对伦理限制、患者间及时间维度的生物异质性，以及治疗后生物学变化观测困难等挑战。与航天工程中每一项细节都可精确掌握不同，生物学领域的信息获取存在本质性困难。研究人员需要借助转录组学、微流控等技术采集更详细的数据，才能构建更优的计算模型。

然而，生物数字孪生不仅需要强大的计算模型，还需具备预测能力，并能根据持续的数据输入更新其预测。研究者指出，生物数字孪生不仅要借鉴NASA的经验，更需参考天气预报的策略——不是生成单一预测，而是产生一系列可能的轨迹，每一轨迹均由不完整数据和随机事件塑造。正如一位专家所言："这就像飓风的不确定性锥形区，路径是发散的。早期的变化可以完全改变最终的走向。"

三类数字孪生路径：机制驱动、数据驱动与芯片融合

目前，生物技术领域的数字孪生大致可分为三类技术路径，它们在建模假设、数据需求和预测目标上存在根本性差异。

表1 选定的生物技术数字孪生公司

1. 机制导向的数字孪生

以Aitia、Cellworks和DeepLife为代表的企业，致力于构建基于生物学机制的因果AI模型。这类模型从基因组、转录组、蛋白质组、代谢组和临床数据出发，利用因果AI重建驱动人类疾病的遗传和分子相互作用网络。其目标在于识别新的可成药靶点，并根据潜在生物学对患者群体进行分层，找出最可能从治疗中获益的亚组。

Aitia创始人指出，经过八九十年的分子生物学研究及每年数万篇论文的发表，人类对疾病回路的知识积累可能尚不足5%。因此，其数字孪生模型旨在通过计算模拟真实患者中无法进行的实验，从而促进新发现并提出新问题。

Cellworks则将重点聚焦于癌症生物学，整合数千个基因和数万个分子相互作用的数据，捕捉不同通路之间的交叉与相互影响。该方法强调模型构建基于生物学机理本身而非纯粹的人工智能拟合。

巴黎DeepLife公司则从单细胞层面切入，利用超过1亿个单细胞多组学数据点构建真实细胞的数字孪生。其TwinCell模型已能在系统性红斑狼疮患者的活化CD4+ T细胞中识别出多个已知药物靶点和细胞因子信号传导机制，并正推进至炎症性肠病、神经退行性疾病及胰腺癌等领域的临床前研究。

2. 临床试验优化的数字孪生

Unlearn和Phesi等公司将数字孪生应用于临床试验设计的优化。Unlearn开发的PROCOVA方法利用疾病登记数据、历史临床试验数据和各类数据档案，为每位入组患者构建一个基线数字孪生，预测其在对照条件下的可能病程。该方法的核心价值在于通过降低噪声来增加试验的统计效能，使申办方能够以更少的患者数量开展试验。该方法已在神经科学领域获得最广泛的采用。

Phesi则从包含数十万项试验、数百万名患者的大规模临床试验数据库中提取数据，构建数字患者档案，模拟类似患者对治疗的响应模式。在此基础上，Phesi可组装虚拟队列或对照组，帮助合作伙伴模拟不同的临床试验设计，定义最可能获益的患者人群，甚至在某些情况下替代安慰剂组。尤其在患者招募极具挑战的罕见病领域，这一方法具有重要价值。

3. 器官芯片融合的数字孪生

Hesperos公司采取了与前两者均不相同的技术路线。该公司不依赖现有数据集，也不构建详细的生物学机制模型，而是通过结合微生理系统的器官芯片与药代动力学及药效动力学建模，自行生成所需数据。在2025年10月发表的一项研究中，Hesperos在其疟疾器官芯片上复现了恶性疟原虫的完整生命周期，并预测了一系列现有抗疟化合物的药效。该方法的核心优势在于：研究者对数据生成过程具有完全的控制权，从而能够为模型提供高质量、匹配度高的输入数据。

定义之困：何为数字孪生？

面对上述多种技术路径，领域内尚未就数字孪生的精确定义达成共识。部分研究者引用了美国国家科学院、工程院和医学院提出的标准：数字孪生必须是一组虚拟信息构造，能够模拟自然、工程或社会系统的结构、背景和行为；能够根据其物理孪生的数据进行动态更新；具有预测能力；并能为决策提供价值。

然而，这一宽泛定义在具体应用中面临诸多解释上的歧义。有学者指出，"数字孪生"已成为一个流行词汇，不同群体赋予其不同的含义，这导致外界难以区分真正的技术进步与营销术语。一些研究者甚至质疑当前多数生物模型是否真正有资格被称为"数字孪生"。

多位受访专家强调，数字孪生区别于一般高质量计算模型的关键特征在于两点：一是能够将模型个性化至特定的患者或细胞类型，二是能够生成动态预测而非静态描述。与此同时，数字孪生输出的本质是概率性的——它们只能给出成功的可能性，而非确定性结论，并以概率和不确定性的形式进行表达。

验证挑战：不同模型有其各自的失效方式

数字孪生面临的另一核心挑战在于验证。不同类型的数字孪生各有其独特的优势与局限，且各自的失效模式亦不相同。

机制模型要求研究者事先了解系统的详细运作机制，例如细胞如何相互作用、分子通路如何衔接。在药代动力学和心脏血流等已有精确测量的领域，机制数字孪生已取得较高精度。然而，在生物学多数领域，研究者并不掌握系统的基本方程或变量，这从根本上限制了机制模型的适用范围。

数据驱动和虚拟细胞方法则通过大量采集原始信息进行建模，类似大语言模型的训练方式。这类模型不需要对底层生物学有任何先验知识，在数据丰富的领域通常具有较强的预测能力。但其代价在于模型本身是一个"黑箱"——虽然预测可能准确，但研究者无法解释其为何准确或如何做出决策。

理解模型的目标是什么、它如何匹配你的问题，远比认为有一种万能方案重要得多。每个模型的失效点都是不同的。这种多样性也使得评估数字孪生的性能变得尤为困难。验证和评价数字孪生需要制定新的标准，能够涵盖不确定性以及模型需要发挥作用的各种人群和场景。

前进方向：限定用途的务实路径

尽管全息复制患者的远景目标仍十分遥远，但当前最有前景的应用恰恰是那些最具约束性的场景。与其构建患者的完整复制体，不如针对特定任务定制模型——预测肿瘤对放疗的反应、优化生产工艺、模拟临床试验中的对照组——这些明确而有限的目标成为多数团队的前进方向。这些"为特定目的服务"的数字孪生或许缺乏早期愿景中的宏大格局，但它们更具实用性和可操作性。重要的是，即使是不完美的模型，只要对其局限性保持透明，就能够为医学提供一个长期以来缺失的工具：在实际发生之前探索可能性的能力。

结论

数字孪生在生物技术领域的应用正处于从概念验证向实际部署过渡的关键阶段。三类主要技术路径——机制驱动、数据驱动和芯片融合——各自基于不同的假设和方法论，服务于不同的问题场景。领域内的核心挑战已从"能否构建"转向"如何验证"以及"在何种场景下可被信赖"。尽管全谱系的数字孪生仍属远景，但面向特定用途、透明报告局限性的有限孪生正在成为连接计算预测与临床现实的有效桥梁。

参考链接：

https://doi.org/10.1038/s41587-026-03211-3

近年来，数字孪生技术正以前所未有的速度渗透至生物医药领域。从临床试验优化到疾病机制建模，从器官芯片到单细胞模拟，这一源自航天工程的理念正在被重新定义并应用于生命科学的复杂场景中。2026年7月9日，Carrie Arnold在《Nature Biotechnology》期刊发表题为"Biotech's digital twin dilemma"的深度新闻特稿，系统梳理了数字孪生在生物技术领域的发展现状、技术分歧、应用场景及验证困境。

问题的起点：临床失败率与新工具的需求

药物开发长期面临超过90%的临床失败率，且将一款药物从发现推进至上市所需成本高达数十亿美元。这一高损耗率的背后，一个关键瓶颈在于临床试验本身的设计局限。理想的临床试验需要能够比较同一患者在治疗前后不同结局的能力，而现实中的对照组设计只能提供近似估计，且易受噪声和生物异质性的干扰。

为应对这一挑战，以Unlearn公司为代表的初创企业开始构建临床试验参与者的"数字孪生"。这类模型能够回答反事实问题：具有特定特征的患者在不接受治疗的情况下病情将如何发展？如果接受某种疗法，结局又会如何变化？这些预测结果可帮助药物开发者优化研究设计，精准筛选最有可能使试验成功的患者队列。

从航天工程到细胞时代：数字孪生的概念迁移

数字孪生最初由美国国家航空航天局在阿波罗计划中开发，用于测试火箭和轨道器等航空设备。由于物理原型建造困难且成本高昂，工程师构建了详细的计算机模型，在不危及昂贵材料的前提下进行设计测试与迭代优化。这一思路形成了计算机模型与物理产品之间的持续改进反馈回路。

在生物技术领域，数字孪生面临一套截然不同的问题集。除时间和金钱约束外，研究人员还需应对伦理限制、患者间及时间维度的生物异质性，以及治疗后生物学变化观测困难等挑战。与航天工程中每一项细节都可精确掌握不同，生物学领域的信息获取存在本质性困难。研究人员需要借助转录组学、微流控等技术采集更详细的数据，才能构建更优的计算模型。

然而，生物数字孪生不仅需要强大的计算模型，还需具备预测能力，并能根据持续的数据输入更新其预测。研究者指出，生物数字孪生不仅要借鉴NASA的经验，更需参考天气预报的策略——不是生成单一预测，而是产生一系列可能的轨迹，每一轨迹均由不完整数据和随机事件塑造。正如一位专家所言："这就像飓风的不确定性锥形区，路径是发散的。早期的变化可以完全改变最终的走向。"

三类数字孪生路径：机制驱动、数据驱动与芯片融合

目前，生物技术领域的数字孪生大致可分为三类技术路径，它们在建模假设、数据需求和预测目标上存在根本性差异。

表1 选定的生物技术数字孪生公司

1. 机制导向的数字孪生

以Aitia、Cellworks和DeepLife为代表的企业，致力于构建基于生物学机制的因果AI模型。这类模型从基因组、转录组、蛋白质组、代谢组和临床数据出发，利用因果AI重建驱动人类疾病的遗传和分子相互作用网络。其目标在于识别新的可成药靶点，并根据潜在生物学对患者群体进行分层，找出最可能从治疗中获益的亚组。

Aitia创始人指出，经过八九十年的分子生物学研究及每年数万篇论文的发表，人类对疾病回路的知识积累可能尚不足5%。因此，其数字孪生模型旨在通过计算模拟真实患者中无法进行的实验，从而促进新发现并提出新问题。

Cellworks则将重点聚焦于癌症生物学，整合数千个基因和数万个分子相互作用的数据，捕捉不同通路之间的交叉与相互影响。该方法强调模型构建基于生物学机理本身而非纯粹的人工智能拟合。

巴黎DeepLife公司则从单细胞层面切入，利用超过1亿个单细胞多组学数据点构建真实细胞的数字孪生。其TwinCell模型已能在系统性红斑狼疮患者的活化CD4+ T细胞中识别出多个已知药物靶点和细胞因子信号传导机制，并正推进至炎症性肠病、神经退行性疾病及胰腺癌等领域的临床前研究。

2. 临床试验优化的数字孪生

Unlearn和Phesi等公司将数字孪生应用于临床试验设计的优化。Unlearn开发的PROCOVA方法利用疾病登记数据、历史临床试验数据和各类数据档案，为每位入组患者构建一个基线数字孪生，预测其在对照条件下的可能病程。该方法的核心价值在于通过降低噪声来增加试验的统计效能，使申办方能够以更少的患者数量开展试验。该方法已在神经科学领域获得最广泛的采用。

Phesi则从包含数十万项试验、数百万名患者的大规模临床试验数据库中提取数据，构建数字患者档案，模拟类似患者对治疗的响应模式。在此基础上，Phesi可组装虚拟队列或对照组，帮助合作伙伴模拟不同的临床试验设计，定义最可能获益的患者人群，甚至在某些情况下替代安慰剂组。尤其在患者招募极具挑战的罕见病领域，这一方法具有重要价值。

3. 器官芯片融合的数字孪生

Hesperos公司采取了与前两者均不相同的技术路线。该公司不依赖现有数据集，也不构建详细的生物学机制模型，而是通过结合微生理系统的器官芯片与药代动力学及药效动力学建模，自行生成所需数据。在2025年10月发表的一项研究中，Hesperos在其疟疾器官芯片上复现了恶性疟原虫的完整生命周期，并预测了一系列现有抗疟化合物的药效。该方法的核心优势在于：研究者对数据生成过程具有完全的控制权，从而能够为模型提供高质量、匹配度高的输入数据。

定义之困：何为数字孪生？

面对上述多种技术路径，领域内尚未就数字孪生的精确定义达成共识。部分研究者引用了美国国家科学院、工程院和医学院提出的标准：数字孪生必须是一组虚拟信息构造，能够模拟自然、工程或社会系统的结构、背景和行为；能够根据其物理孪生的数据进行动态更新；具有预测能力；并能为决策提供价值。

然而，这一宽泛定义在具体应用中面临诸多解释上的歧义。有学者指出，"数字孪生"已成为一个流行词汇，不同群体赋予其不同的含义，这导致外界难以区分真正的技术进步与营销术语。一些研究者甚至质疑当前多数生物模型是否真正有资格被称为"数字孪生"。

多位受访专家强调，数字孪生区别于一般高质量计算模型的关键特征在于两点：一是能够将模型个性化至特定的患者或细胞类型，二是能够生成动态预测而非静态描述。与此同时，数字孪生输出的本质是概率性的——它们只能给出成功的可能性，而非确定性结论，并以概率和不确定性的形式进行表达。

验证挑战：不同模型有其各自的失效方式

数字孪生面临的另一核心挑战在于验证。不同类型的数字孪生各有其独特的优势与局限，且各自的失效模式亦不相同。

机制模型要求研究者事先了解系统的详细运作机制，例如细胞如何相互作用、分子通路如何衔接。在药代动力学和心脏血流等已有精确测量的领域，机制数字孪生已取得较高精度。然而，在生物学多数领域，研究者并不掌握系统的基本方程或变量，这从根本上限制了机制模型的适用范围。

数据驱动和虚拟细胞方法则通过大量采集原始信息进行建模，类似大语言模型的训练方式。这类模型不需要对底层生物学有任何先验知识，在数据丰富的领域通常具有较强的预测能力。但其代价在于模型本身是一个"黑箱"——虽然预测可能准确，但研究者无法解释其为何准确或如何做出决策。

理解模型的目标是什么、它如何匹配你的问题，远比认为有一种万能方案重要得多。每个模型的失效点都是不同的。这种多样性也使得评估数字孪生的性能变得尤为困难。验证和评价数字孪生需要制定新的标准，能够涵盖不确定性以及模型需要发挥作用的各种人群和场景。

前进方向：限定用途的务实路径

尽管全息复制患者的远景目标仍十分遥远，但当前最有前景的应用恰恰是那些最具约束性的场景。与其构建患者的完整复制体，不如针对特定任务定制模型——预测肿瘤对放疗的反应、优化生产工艺、模拟临床试验中的对照组——这些明确而有限的目标成为多数团队的前进方向。这些"为特定目的服务"的数字孪生或许缺乏早期愿景中的宏大格局，但它们更具实用性和可操作性。重要的是，即使是不完美的模型，只要对其局限性保持透明，就能够为医学提供一个长期以来缺失的工具：在实际发生之前探索可能性的能力。

结论

数字孪生在生物技术领域的应用正处于从概念验证向实际部署过渡的关键阶段。三类主要技术路径——机制驱动、数据驱动和芯片融合——各自基于不同的假设和方法论，服务于不同的问题场景。领域内的核心挑战已从"能否构建"转向"如何验证"以及"在何种场景下可被信赖"。尽管全谱系的数字孪生仍属远景，但面向特定用途、透明报告局限性的有限孪生正在成为连接计算预测与临床现实的有效桥梁。

参考链接：

https://doi.org/10.1038/s41587-026-03211-3