“地图并非疆域本身。”普通语义学家阿尔弗雷德·科日布斯基的这句论断，恰如其分地注解了当下虚拟细胞赛道的产业定位。

正如高精度地图无法完全复刻真实的山川河流，却能极大提升探索未知的效率；虚拟细胞虽不等同于真实的生命细胞，却正在成为新药研发领域不可或缺的“数字导航图”。

近两年，全球虚拟细胞赛道迎来融资爆发期：海外Tahoe Therapeutics、Turbine相继完成大额融资，中东主权基金与顶级风投集体押注百亿级数据底座与细胞模型技术；国内赛道同步升温，多家企业接连完成天使轮到A+轮融资，国有资本与一线机构密集布局。

一边是资本热捧下的数字生命叙事，一边是新药研发端对效率提升的真实刚需，虚拟细胞究竟是资本催生的概念泡沫，还是下一个能改写产业规则的“AlphaFold时刻”？

结合产业一线的技术实践与资本端的长期观察不难发现，当前赛道正处于技术验证向商业化过渡的关键节点：需求真实存在，但规模化落地尚远；技术路线快速迭代，但核心壁垒已从算法转向数据与闭环能力。这场关于“数字细胞”的产业革命，才刚刚拉开序幕。

近日，动脉网联合微解药举办“中国创新医疗资产会客厅”交易圆桌派第二十五期，邀请广发信德投资总监、基金经理过泽远，峰瑞资本副总裁谢达，耀速科技科学事务与创新部负责人叶森，百图生科高级副总裁、AI研发负责人张晓明，嘉华药锐DeepKinase创始人、CEO郑乃中五位产业与资本端嘉宾，共同拆解虚拟细胞从概念验证迈向产业落地的真实路径。

01.

热度掩盖下的早期底色

融资消息的密集释放，很容易给外界造成“赛道即将爆发”的错觉，但从产业实际进展来看，资本热度与技术成熟度之间仍存在明显错配，全行业整体仍处于早期技术验证阶段。

创新药行业受困于双十定律已久，高投入、高失败率的痛点始终存在，这是虚拟细胞技术得以快速渗透的底层动力。从全球产业实践来看，国际大药企对AI工具、虚拟细胞技术的尝试早已启动，并且正从早期分子设计逐步向临床前验证、开发全流程渗透。

正如郑乃中观察到的，行业对效率工具的需求迫切度，其实比外界感知的更强烈，所有人都在等待一款能真正降低研发损耗、提升成功率的工具。

但需求存在，并不等于商业化已经跑通。

从订单性质来看，当前海内外的合作大多仍属于试验性、验证性项目，尚未有企业的技术被纳入药企标准化研发流程，成为长期刚性预算。过泽远给出了更审慎的判断：整个赛道距离大规模商业化兑现还有很长距离，现阶段只能说“有苗头、有需求”，远未到“商业化路径跑通、可大规模复制”的阶段。

若以蛋白质结构预测的发展路径做参照，谢达认为，当前虚拟细胞的发展阶段，大概处在AlphaFold 1出现之前的时刻。目前行业在细胞系分类等基础问题上已有不错进展，但面向成药场景最核心的“扰动后细胞状态预测”，准确度仍有较大提升空间。如果用扰动后最显著的100个基因预测准确率来衡量，行业整体仍处在较低水平，技术本身还需要一轮本质性的迭代。

换言之，当前的融资热潮，本质是资本对技术潜力的提前布局，而非产业成熟后的价值兑现。虚拟细胞既不是被吹出来的虚假概念，也不是马上就能颠覆新药研发的万能钥匙，更像是站在爆发前夜：需求真实存在，技术方向清晰，但落地的深度与广度都还需要时间沉淀。

02.

数据、模型与闭环的三重博弈

如果说虚拟细胞的终局是构建出能精准模拟生命活动的“数字细胞”，那么抵达终局的路上，数据、模型与实验闭环构成了三大核心博弈点，也决定着企业的真实壁垒。

行业内曾一度将模型算法视为核心竞争力，但随着通用大模型技术的普及，越来越多的从业者达成共识：数据才是虚拟细胞的真正地基，且数据的质量与维度，远比数据量更重要。而支撑技术持续进化的终极引擎，是干湿实验的完整闭环。

公开数据库中最易获取的转录组数据，已被证明存在天然局限。单纯依靠转录组训练模型，会引入大量噪声与偏差。这是因为，细胞中大量转录本并不会翻译为功能蛋白，基因表达的高低，也无法直接等价于细胞功能的变化。

郑乃中从功能蛋白质组学的视角指出，真正能直接决定细胞表型变化的，是蛋白的修饰与相互作用，比如受体的磷酸化才是启动细胞增殖、凋亡等一系列反应的开关，而这部分数据恰恰是公开数据库中最稀缺的。

多维度、高质量的原生数据，正在成为企业最核心的差异化壁垒。

耀速科技依托三维类器官与器官芯片平台，积累了大量药物扰动下的真实实验数据，通过临床已知药效的药物作为锚点，对细胞形态、分泌因子、组学等多维度数据进行统一赋分，建立了跨形态的可比度量衡。

在叶森看来，数据壁垒分为两层：原生的高质量稀缺数据是第一层，数据处理与生物学意义解读的能力是第二层，二者共同构成了难以复刻的技术护城河。过泽远同样认为，结合蛋白组、修饰组、细胞形态学甚至亚细胞结构的多模态数据，才能更完整地还原细胞真实状态，这也是纯算法公司无法通过公开资源补齐的短板。

在数据之上，模型的核心能力则体现在跨尺度、跨模态的融合能力上。

张晓明打了一个比方：DNA、RNA、蛋白质、细胞状态，本质上是同一个生命系统在不同尺度上的“投影”，而非彼此独立的信息。百图生科的做法是，先让每个模态在海量数据中学习自身的底层规律，再借助中心法则、序列决定结构这类已知的生物规律作为锚点，完成跨模态的表征对齐，最终通过底层机理实现跨尺度的推理衔接。

“不是把数据简单拼接输入模型，而是用生物逻辑把不同尺度的信息串联起来，模型才能具备泛化与预测能力。”张晓明表示。

而支撑技术持续迭代的终极飞轮，是干湿实验闭环。行业已普遍形成共识：虚拟细胞不会走通用大模型“堆参数、堆公开数据”的规模化路线，它的持续进化需要数据、模型、实验三个环节同时转动。模型识别出自身理解的盲区，针对性设计实验补全关键数据，实验结果反过来优化模型，反复迭代。

因此，有没有完整的干湿闭环能力，正在成为区分算法外包公司与虚拟细胞平台公司的核心标志，也是行业长期竞争的胜负手。

03.

成为刚性采购的三道关卡

技术价值最终要靠商业验证。

当前虚拟细胞行业的普遍困境，是“技术听起来很美，买单的人却不多”——药企愿意做试点合作，但很难转化为长期、规模化的采购。

在嘉宾们看来，要跨越从“尝鲜订单”到“刚性预算”的鸿沟，行业需要闯过三道关卡。

第一道关卡，是放弃“万能细胞”的叙事，聚焦单一场景证明价值。

很多企业在推广时习惯强调“可以替代动物实验”，但在产业实践中，这种表述反而很难获得药企采信。

叶森在与MNC合作的过程中深有体会：不要上来就谈替代，要先聚焦一个非常具体的场景，比如药物性肝损伤预测，在这个场景里明确证明技术能稳定输出有参考价值的结果，对方才会逐步将其纳入研发流程。FDA近年来发布的多项指导原则，核心思路也是“明确使用场景、验证技术性能”，而非笼统地认可某类技术。先在单点打透，再逐步拓展边界，才是技术落地的正确路径。

第二道关卡，是找到适配生物医药行业的商业模式，而非照搬互联网SaaS逻辑。

很多人默认虚拟细胞的终局是API调用的订阅模式，但从客户真实付费意愿来看，纯API模式太轻，解决不了真实场景的复杂问题；纯项目定制又太重，无法规模化沉淀能力。

张晓明对此判断：客户不会为单次模型调用买单，也不会为一个定制开发团队付费，他们真正愿意付费的，是“解决具体研发问题”。当前更可行的形态是“平台化内核+场景化闭环”：底层是可复用的基础大模型与数据处理能力，前端针对具体管线形成“预测-验证-回流”的完整闭环，交付给客户的是可落地的研发结论，而非冰冷的模型调用结果。

过泽远则把当前的商业化路径归纳为三类：短期最快变现的是“AI+CRO”服务，针对靶点筛选、毒性预警等具体环节做定制化开发，需求明确、交付清晰；中期有望成为主流的是技术授权与平台服务，当技术足够成熟后，药企会像采购传统CRO服务一样常态化采购；长期价值最大的是深度参与管线联合开发，按里程碑与销售分成，分享药物上市的长期收益。

“多数企业都会先从服务做起活下来，再逐步向平台、向管线延伸，这是行业必经的阶段。”过泽远表示。

第三道关卡，是找到最先跑通商业化的细分场景。

全流程替代动物实验这类宏大叙事，反而会是最晚落地的场景。谢达预判，最先形成完整商业闭环的方向，可能是细胞治疗的性能增强，比如CAR-T细胞的功能优化。这类场景中，单细胞层面的改造结果，能直接和临床的宏观疗效指标对齐，验证路径短，价值感知清晰。其次是药物重定向，借助虚拟细胞快速筛选已上市药物的新适应症，验证成本低、落地快。

04.

不同虚拟细胞企业对应不同估值逻辑

虚拟细胞赛道尚处早期，技术与商业都在快速迭代，投资人的评估逻辑也在发生变化。对比AI影像、合成生物等同样热门的交叉赛道，虚拟细胞的风险特征与成长空间有着鲜明的自身特质，评估体系也正在从看故事、看团队，向看验证、看闭环转变。

从赛道属性来看，虚拟细胞的成长上限更高，但短期不确定性也更强。AI影像有明确的商业化与监管落地路径，合成生物有清晰的产品与工程化路线，而虚拟细胞的成熟度显著更低。但相应的，它的想象空间也更大。

一旦虚拟细胞技术成熟，其有望成为生物医药研发的底层基础设施，向上赋能靶点发现、细胞治疗，向下支撑临床研究、精准用药，甚至带动类器官、器官芯片、组学诊断等一系列周边产业的创新，是真正能推动研发范式变革的技术。

对应到投资评估体系，不同商业模式的虚拟细胞企业，评判标准完全不同。

谢达将虚拟细胞企业分为三类：做模型服务的企业，核心看模型的泛化能力与生物学理解深度；做管线开发的企业，核心看分子本身的竞争力与BD能力；做场景化应用服务的企业，核心看对药企需求的理解深度与快速迭代能力。“不存在一套通用的评估标准，关键是看技术优势能否对应到真实的商业价值。”

过泽远也持类似观点：传统AI制药项目可以按创新药逻辑评估，看靶点、看成药性、看临床数据；但纯平台型的虚拟细胞项目，要按“数据-模型-决策”的逻辑去看。

由于模型本身存在“黑箱”属性，很难通过尽调完全摸清其真实能力，因此投资判断最终会落到商业化验证上：早期看团队背景、数据来源的稀缺性，成长期则重点看合作药企的量级、订单的复购性，以及技术是否真的影响了药企的研发决策。

关于赛道真正实现规模化应用的标志，产业与资本端也逐渐形成了多维度的共识。

其一在产业端，技术纳入药企标准研发流程，具有持续的刚性预算，且能真实影响研发决策，切实提升实验命中率、缩短周期；其二在技术端，行业形成统一的验证标准体系，能力具备跨场景、跨疾病的可复制性；其三在监管端，监管机构认可虚拟细胞数据可部分替代实验数据用于申报。

当三个层面的里程碑逐一兑现，行业才算真正进入成熟期。

而关于AI在生命科学中的边界，行业几乎形成了统一的认知：虚拟细胞不会完全替代湿实验，最终的形态一定是“干湿共生”。

张晓明表示，AI负责拓展探索的边界，在海量可能性里高效筛选方向；湿实验负责验证高风险的关键结论，提供真实数据反哺模型。叶森也提到，干实验能帮药企砍掉冗余的低价值实验，湿实验能产出更高质量的训练数据，二者叠加形成的效率飞轮，才是虚拟细胞真正的产业价值。

回到开篇“地图与疆域”的比喻，虚拟细胞或许永远无法1:1复刻真实的细胞生命活动，但这并不妨碍它成为新药研发史上最重要的工具之一。就像人类从未因为地图不够精准就放弃绘制，恰恰是一代又一代精度更高的地图，支撑着人类探索未知的脚步。

当下的虚拟细胞行业，正处在绘制第一份高精度细胞地图的关键节点。资本的涌入、技术的迭代、药企的尝试，都是在为这份地图填充更丰富的细节。这条路不会很短，也不会一帆风顺，但方向清晰、价值明确。当技术、数据与商业闭环形成正向飞轮，虚拟细胞改写新药研发范式的那一天，或许比很多人预想的来得更快。

(责任编辑：zx0280)