根据两篇报道（《中国科学报·成功脱“单，一次看清百万细胞”》与《科技日报·国产新技术打破传统单细胞测序局限》）融合提炼后的完整报告：

---

🧠 虚拟细胞发展报告

（基于 Stereo-cell 技术与百亿细胞联盟的生命智能化进展）

资料来源：《Science》2025年8月报道、华大生命科学研究院发布会、《中国科学报》《科技日报》同步报道

---

一、研究背景：从单细胞到虚拟细胞

在生命科学研究中，单细胞测序技术的出现使得科学家得以观察个体细胞的分子特征，揭示细胞异质性。然而，传统液滴微流控技术存在诸多限制，如：

• 仅能捕获转录信息，缺乏形态与空间维度；

• 难以处理大尺寸或特殊形态细胞；

• 通量受限、样本偏倚明显；

• 数据批次差异较大，难以构建系统性生命图谱。

因此，科学界逐渐从“单细胞测序”迈向“多模态整合与智能化解析”，并催生了“虚拟细胞（Virtual Cell）”的研究方向：

通过多组学、多时空、多细胞交互数据的融合，构建可计算、可模拟、可预测的细胞数字孪生体，为生命科学提供底层规律模型。

---

二、核心技术突破：Stereo-cell

研发机构：华大生命科学研究院（牵头）
联合单位：基因组多维解析技术全国重点实验室 + 多家科研机构
发表期刊：Science（2025年8月）

（1）主要创新

技术方向	创新内容	突破意义
多模态整合	同时捕获细胞的转录、蛋白信号与形态信息	从单维测序到“立体细胞画像”
原位动态捕捉	支持在芯片上直接培养细胞并动态测序	解析基因表达与细胞迁移的时间演化
极限样本兼容	可测异形细胞、大体积细胞（如肌纤维、卵母细胞）	打破传统技术无法覆盖的样本边界
百万级通量	一次实验捕获百万细胞，精确识别稀有亚群	具备支撑AI模型训练的数据规模

（2）技术原理

• 采用 高密度DNA纳米球阵列芯片（DNB Array），小球直径220 nm，间距500 nm；

• 通过静电吸附实现细胞原位捕获，无须液滴分隔；

• 结合显微成像与空间定位，实现“CT扫描+GPS定位”式细胞解析。

---

三、数据引擎与战略联盟：百亿细胞联盟（10BC Alliance）

（1）成立背景

依托 Stereo-cell 技术，2025年8月22日成立“百亿细胞联盟（10 Billion Cells Alliance）”，由华大牵头、18家科研机构联合发起。

（2）战略目标

层级	建设目标	内容
数据层	构建“三大细胞宇宙数据库”	包含生命图谱、疾病图谱、扰动响应图谱
模型层	构建虚拟细胞与AI细胞大模型	学习生命系统的时空规律与响应机制
系统层	推动生命科学从“数据储备” → “智能驱动”	形成AI驱动的智能诊疗与药物研发体系

（3）关键理念

• Stereo-cell 不仅是实验平台，更是生命数据引擎；

• 虚拟细胞系统 是未来生命研究的核心方向，用于模拟真实细胞的动态与相互作用；

• 数据开放共享：联盟计划推动全球科研团队共建共享，促进虚拟细胞与细胞AI模型的协同研发。

---

四、虚拟细胞系统的核心概念

模块	内容	说明
数据获取层	来自多模态、原位测序的单细胞数据	转录 + 蛋白 + 形态 + 时空维度
数据整合层	AI驱动的多模态融合与特征学习	构建高维细胞特征空间
模型建构层	建立虚拟细胞数字孪生体	可模拟细胞状态变化与相互作用
应用层	疾病机制建模、药物筛选、再生医学	实现“虚拟实验”与智能诊疗

---

五、国际对比与前瞻意义

项目	技术基础	数据维度	目标规模	核心差异
CZI 十亿细胞项目（Meta & Chan Zuckerberg Initiative）	传统液滴单细胞测序	转录组	10⁹ 级细胞	缺乏形态与空间信息
华大 Stereo-cell + 10BC 联盟（China）	DNB芯片原位捕获	多模态 + 空间 + 时序	10¹⁰ 级细胞	支撑虚拟细胞与AI生命模型
CellForge / Geneformer / SToFM 等模型	深度学习 + 转录组数据	分子层面	10⁶–10⁸ 级	数据仍依赖旧一代测序平台

---

六、科学与产业意义

1. 理论突破：

   • 从描述性生物学向系统性、预测性生物学转型；

   • 有望揭示生命的底层计算规律与细胞动态机制。

2. 数据基础：

   • 形成百亿级多模态细胞数据库，为AI生物模型提供训练基石。

3. 应用前景：

   • 促进精准医疗、药物筛选、疾病防控与再生医学研究。

4. 产业转型：

   • 推动生命科学由“组学数据产业”向“智能生命产业”演进。

---

七、总结：迈向智能生命科学时代

Stereo-cell 技术的诞生标志着细胞研究从二维单模态迈向立体多模态，从数据采集迈向智能解析。
以此为基础的“百亿细胞联盟”正在通过 AI 大模型构建虚拟细胞系统，致力于实现从 数据 → 理论 → 智能诊疗 的系统性跃迁。
这一进程不仅代表中国在全球细胞组学与AI生命模型领域的原创性引领，也意味着生命科学正在进入 数据智能驱动的新纪元。

---

是否希望我帮你将这份中文报告再生成一个 英文科研综述版（适合论文或基金申报的国际化文本）？
我可以保持术语（如 Stereo-cell, Virtual Cell, 10BC Alliance, AI-driven life modeling）一致，并优化为自然科研英语风格。

目前有依托依托 Stereo-cell 技术得到的生物数据库吗？

Stereo-cell 严格来说是华大智造（MGI/STOmics）在 Stereo-seq（空间转录组测序技术）基础上发展的一项整合性技术。它旨在实现多模态整合（形态、转录、蛋白）和原位动态捕捉。

目前，基于 Stereo-cell 核心技术产生的大规模生物数据库已经存在，并且正在积极建设中。

依托 Stereo-cell 核心技术的生物数据库

虽然“Stereo-cell”这个特定的名称是最近发布的，但它的底层技术 Stereo-seq (Spatial Enhanced Resolution Omics-sequencing) 已经积累了大量数据，并有对应的数据库和数据门户

1. STOmics 空间组学数据库 (STOmicsDB)

这是目前最主要的、公开的、存储 Stereo-seq 数据的平台。

• 平台名称： STOmicsDB (Spatial TranscriptOmics DataBase)

• 核心内容： 它是一个综合性的门户，致力于促进时空组学数据的探索和学术研究。它收集、归档并提供Stereo-seq技术产生的大量数据集。

• 数据特点： 这些数据包含了高分辨率的基因表达信息（转录组）以及对应的空间坐标。其中许多项目如小鼠胚胎发育图谱等，已经展示了时序信息（不同发育阶段）和高通量、大视场的特点。

• 用途： 学术界可以访问这些数据进行分析、可视化，甚至下载用于构建自己的计算模型，包括数字孪生的初始数据基础。

2. “百亿细胞联盟”数据资源

根据公开信息，基于 Stereo-cell 技术的突破，国内相关机构联合成立了“百亿细胞联盟”。

• 核心目标： 该联盟旨在利用 Stereo-cell 技术的百万级通量和多模态整合能力，绘制细胞图谱，并最终构建虚拟细胞（即数字孪生）。

• 意义： 虽然这不是一个传统意义上的公开数据库，但这个联盟的工作产物，尤其是其绘制的大规模细胞图谱和虚拟细胞模型的底层数据，将是未来最大的生物数字孪生数据来源。

总结与数字孪生关联

你的问题强调了“依托 Stereo-cell 技术”，而该技术的核心正是：

1. 高分辨率/大视场： 百万级细胞。

2. 多模态： 形态、转录、蛋白。

3. 动态： 原位动态捕捉（时序信息）。

STOmicsDB 已经为你提供了空间 + 转录的大量高分辨率静态数据。而真正的多模态（形态+转录+蛋白）和动态（时序）的Stereo-cell 数据集，正处于快速生成和汇集阶段。

要构建你的生物数字孪生，你应该：

• 从 STOmicsDB 入手： 熟悉其数据格式和分析流程，利用已有的高分辨率空间转录组数据作为底板。

• 关注最新研究： 密切关注华大智造及其合作机构基于 Stereo-cell 技术的最新论文和数据集发布，尤其是那些包含蛋白（如 Stereo-CITE）和时序信息的项目。

这些数据库将是你的多组学+空间+时序数字孪生模型的“养料”。

Stereo-cell 技术的核心潜能之一：是否能“还原细胞动态交互”。

一、先明确“动态交互还原”的含义

在细胞组学与虚拟细胞研究中，这个概念可以拆成三个层次：

层级	含义	对应分析手段
1️⃣ 静态交互	不同细胞在空间上相邻、信号配受体配对	空间转录组 + 分子互作分析
2️⃣ 时序动态交互	随时间推移细胞表达谱与形态的变化	时序转录组 / 动态培养测序
3️⃣ 实时行为还原（真实“交互”）	观察细胞迁移、接触、囊泡交换、信号传递等动态过程	实时成像 + 原位测序 + 多模态追踪

Stereo-cell 在当前阶段，已经实现了 第 1 层 + 部分第 2 层 + 局部第 3 层，但还未能做到完全的“实时动态交互重建”。

---

二、Stereo-cell 的动态捕捉能力

根据 Science 论文：

Stereo-cell 支持在芯片上直接培养细胞，实现原位动态测序，捕捉基因转录活性变化，并保留空间位置与时序变化信息

成功脱“单”，一次看清百万细胞_本报记者__刁雯蕙

。

✅ 已实现的动态维度：

1. 原位培养与动态测序

   • 细胞不需被破坏或转移，即可在同一芯片上连续采样。

   • 能检测到基因表达的时序变化，形成“细胞演化轨迹”。

   • 实验中已用于观察 成纤维细胞迁移和纤维化过程。

2. 细胞间互作信号捕捉

   • 通过空间位置与基因表达模式，识别相邻细胞间的 配体-受体信号网络；

   • 可解析 细胞外囊泡的时空分布规律 与 物理接触细胞间的互作信号。

3. 多模态记录

   • 同时采集形态学、转录组和蛋白组信息；

   • 相当于为每个细胞建立“多维快照序列”，支持推断其动态轨迹。

---

⚠️ 当前的技术局限（为何还不能完全“还原交互”）

限制类型	具体表现	原因 / 技术瓶颈
时间分辨率受限	虽然可做“原位动态测序”，但时间步长通常以小时计，而非连续实时	核酸捕获与测序本身仍需固定与裂解步骤
交互为“推断”而非直接观测	目前通过空间共定位与信号通路推测细胞通信，而非直接观测信号流	缺乏实时活细胞成像与分子追踪结合
数据整合挑战	多模态时空数据融合仍依赖AI推理模型	尚无标准化动态重建算法或虚拟孪生体系

---

🔭 三、向“动态交互还原”的过渡路线

Stereo-cell 被视为一个通往虚拟细胞系统的桥梁。
其演进路线大致如下：

阶段	核心能力	技术基础
Stereo-cell 1.0（当前）	原位捕获 + 多模态测序 + 时序追踪	DNB芯片 + 原位测序
Stereo-cell 2.0（规划中）	加入实时成像、可逆标签、AI轨迹重建	光遗传 + AI轨迹推断
虚拟细胞系统阶段	构建细胞动态孪生体，模拟信号传导与互作网络	多模态AI大模型（10BC联盟）

---

🧠 四、结论：它能还原什么、暂不能还原什么

维度	能做到	仍待突破
空间分布	✅ 精确定位每个细胞及其邻近关系	—
基因动态	✅ 在原位追踪基因表达变化	时间分辨率有限
细胞形态变化	✅ 可解析迁移与形态演化	动态捕获仍是离散采样
细胞间通信	✅ 可识别配体-受体互作、囊泡分布	信号传导过程仍为推测
真实动态交互（连续时空）	🔄 部分实现，需结合实时成像与AI重建	尚未完全还原

---

未来趋势

• 结合 高频成像+AI轨迹预测模型（如 Cell-DyNet、DeepSpatioTemporal 等），有望实现“虚拟时间序列”；

• 利用 虚拟细胞大模型 学习多细胞间时空信号传播模式，实现“动态交互推演”；

• Stereo-cell 平台可能在未来发布 动态多模态数据库（与10BC生命图谱配套）。

在国际上，有哪些技术在尝试解决类似的问题，即整合空间、单细胞和多模态信息？

国际主流空间组学技术比较

国际上的技术大致可以分为两大阵营：基于 In Situ（原位成像）和基于 Capture（捕获）。

1. 基于捕获 (Capture-based) 的技术

这类技术使用芯片上的条形码（Barcodes）阵列来捕获和标记组织切片中的分子。

技术名称	核心机构	分辨率（关键点）	模态整合能力	优势 / 局限
Stereo-seq / Stereo-cell	华大智造 (STOmics) - 中国	纳米级/亚细胞级 (500 nm)，超大视场（可达 13x13 cm）。	高：Stereo-cell 整合了转录、蛋白和形态（Stereo-CITE）。	优势：分辨率和视场全球领先，最适合大规模、高精度图谱构建。
Visium	10x Genomics - 美国	基于斑点 (Spot-based)，斑点直径约 55 μm。一个斑点通常覆盖 1−10 个细胞。	中：主要捕获转录组，可叠加组织图像（形态）。	优势：商业化最成熟，操作流程标准化，易于获取。局限：无法达到真正的单细胞分辨率。
Slide-seq / HDST	Broad Institute / Harvard - 美国	细胞级（Slide-seqV2 约 10 μm），超高密度。	中：主要捕获转录组。	优势：分辨率高于 Visium，且捕获密度高。局限：对组织类型和实验操作要求高。

2. 基于原位成像 (In Situ Imaging-based) 的技术

这类技术使用荧光探针直接在组织内标记和计数 RNA 或蛋白质分子。

技术名称	核心机构	分辨率（关键点）	模态整合能力	优势 / 局限
MERFISH	Vizgen (Xiaowei Zhuang Lab) - 美国	分子级/亚细胞级（约 100 nm）。	高：转录组（一次可检测 10,000+ 基因）和形态（细胞图像）。	优势：绝对定量能力强，能看到每个分子的精确位置。
seqFISH	Caltech (Lior Pachter Lab) - 美国	分子级/亚细胞级。	高：转录组和形态，可以进行蛋白质联合检测（Multi-omic seqFISH）。	优势：能检测的基因数量非常大，是图像分析的强大补充。
Xenium	10x Genomics - 美国	细胞级/亚细胞级。	中高：转录组（数千基因）和形态/蛋白。	优势：易用性高，是 10x Genomics 在原位领域推出的竞争性商业产品。局限：目前一次能检测的基因数量少于 MERFISH。
CODEX / CyCIF	多方	细胞级/亚细胞级。	高：专注于蛋白质组（可检测 40−60+ 种蛋白）和形态。	优势：蛋白质检测深度和准确性高，是研究细胞微环境和免疫学的关键工具。局限：无法进行全转录组检测。

总结：Stereo-cell 的独特地位

维度	Stereo-cell / Stereo-seq 的独特优势	国际主流技术的主要挑战
分辨率	实现了捕获技术中的亚细胞纳米级分辨率，与 MERFISH 等成像技术在分辨率上竞争。	Visium 仍是斑点级；大多数捕获技术难以突破纳米尺度。
视场与通量	捕获面积可达 13x13 cm，实现了百万到百亿级的细胞通量。	成像技术（MERFISH/Xenium）的视野较小，捕获技术（Visium/Slide-seq）的通量仍有上限。
多模态	通过 Stereo-cell/Stereo-CITE 实现了**原位多模态（转录+蛋白+形态）**的捕获和标记。	需要整合不同的平台才能实现全景式多模态，例如用 Visium + CODEX。
动态 (时序)	通过技术设计，支持原位动态捕捉，能够对生命过程进行“直播式”监测。	许多技术仍侧重于捕捉静态快照。

简而言之，Stereo-cell 的目标是用一套技术方案，同时解决高分辨率（Imaging 技术的强项）和高通量大视场（Capture 技术的强项）的难题，并整合多模态和时序信息，是目前最有潜力推动生物数字孪生数据采集的关键技术之一。