數位孿生（Digital Twin）在系統生物學中代表了從「理解生物系統」到「工程化預測和操控生物系統」的範式轉移。本節探討多尺度建模、數據整合策略和臨床轉譯的前沿。
多尺度整合建模
生物數位孿生的核心挑戰是跨尺度整合——分子（ns-μs）、細胞（ms-h）、組織（s-days）和器官（min-years）的時空尺度跨越 15 個數量級。
全細胞模型（Whole-Cell Models）：Karr et al.（Cell 2012）的 M. genitalium 模型整合 28 個子模型（涵蓋 DNA 複製、轉錄、翻譯、代謝等），使用 525 個基因和 1,900 多個分子種類，以 1 秒為時間步模擬整個細胞週期。後續的 E. coli 全細胞模型（Macklin et al., 2020）面臨更大的複雜度挑戰。目前全細胞模型的主要限制是：參數不確定性大、計算成本高（單次 M. genitalium 模擬需 ~10 小時）、且尚未整合空間資訊。
虛擬心臟：心臟是多尺度建模最成熟的範例：
- 分子尺度：離子通道的 Hodgkin-Huxley 型動力學模型或 Markov state models
- 細胞尺度：心肌細胞動作電位模型（如 O'Hara-Rudy 2011 human ventricular model，包含 15 個離子電流和 Ca²⁺ 處理）
- 組織尺度：反應-擴散方程描述電傳導（monodomain/bidomain 模型），有限元素法在 MRI 重建的個人化幾何上求解
- 器官尺度：電力學耦合（electromechanics）和流體-結構交互（FSI）模擬血液動力學
Niederer et al.（Nature Computational Science 2021）回顧了虛擬心臟從基礎研究到臨床應用的轉譯路徑。FDA 的 CiPA（Comprehensive in vitro Proarrhythmia Assay）計畫已將心臟離子通道模擬納入藥物心毒性評估的標準流程。
機器學習與機制模型的融合
純機制模型（ODE/PDE）的優勢是可解釋性和外推能力，但參數估計困難且無法處理未知機制。純 ML 模型的優勢是擬合複雜數據，但缺乏外推能力和物理一致性。混合方法：
- Physics-Informed Neural Networks（PINNs）：將 ODE/PDE 的殘差作為 loss function 的正則化項，使 NN 的預測遵守已知的物理/生物學法則
- Neural ODEs（Chen et al., NeurIPS 2018）：用 NN 參數化 ODE 的右手側 dy/dt = f_θ(y,t)，結合微分方程的結構和 NN 的靈活性
- Scientific Machine Learning（SciML）：Julia 生態系統的 DiffEqFlux.jl 提供自動微分和 ODE solver 的無縫整合
臨床數位孿生的實例
- Siemens Healthineers 的心臟數位孿生：從 CT/MRI 影像自動重建心臟幾何，整合電生理和力學模型，用於心律不整消融手術的術前規劃
- ELEM Biotech 的 Alya Red：高效能虛擬心臟模擬器，用於藥物心毒性的 in silico 臨床試驗
- Unlearn.AI：使用機器學習建立臨床試驗參與者的「虛擬對照組」，減少安慰劑組人數，加速臨床試驗
前沿與挑戰
- 可識別性（Identifiability）：複雜模型的參數可能不可唯一識別（structurally/practically unidentifiable），需要 sensitivity analysis 和 optimal experimental design
- 模型校準：Bayesian inference（MCMC、Approximate Bayesian Computation）為模型參數提供不確定性量化
- 聯邦學習（Federated Learning）：多機構協作訓練模型而不共享原始患者數據，解決隱私問題
- 數位孿生的監管框架：FDA 的 MIDD（Model-Informed Drug Development）指南為計算模型在藥物開發中的角色提供了初步框架