生成模型以空间分子信息驱动图像变化
数字孪生在计算机中表示细胞、组织或器官，让研究者探索改变条件后的反应。巴塞尔大学（University of Basel）与巴塞尔大学医院（University Hospital Basel）的 Jiqing Wu 和 Viktor H. Koelzer 在 Computational and Structural Biotechnology Journal 发表综述，提出将生成模型与空间技术结合的生成数字孪生（generative digital twins，GDTs）。
其关键输入是同一材料上相互对应的分子测量与生物图像。模型学习两者的关系，再根据分子信息生成形态图像；改变输入后，可以模拟组织可能出现的形态变化。作者设想，利用这种可扰动的虚拟表示研究药物作用，并提出可供后续实验检验的假设。
综述把虚拟患者群体作为临床试验之前的潜在探索工具，同时也讨论细胞、组织及器官尺度的研究。不同尺度仍需要相应的资料和验证，全文以现有方法与未来构想为主。
按细胞汇总的表达数据会损失空间信息
常见做法是把每个细胞的基因表达汇总成一列数据。若不保留空间坐标，便难以判断这些表达信号位于细胞或组织的什么位置。作者认为，高分辨率数字孪生更适合使用保留空间排列的多通道表达图像。
空间测序、原位杂交和多重成像提供不同的分子覆盖与空间分辨率。一些测量在采样点之间留下空隙，另一些可以获得更细的定位信息；这些差异会影响训练资料怎样与组织图像配对。综述还提出，将基因表达与蛋白成像结合，用于研究两者在空间中的对应关系。
图块生成降低计算负担，拼接仍要解决边界问题
完整组织切片图像通常很大，直接训练生成模型需要较多计算资源。文章梳理生成对抗网络与扩散模型的分块方法：训练时利用较小图块，在生成阶段再得到更大的图像。
这些方法采用坐标条件、潜在表示拼接、无填充卷积或跨图块采样，改善相邻区域的连贯性。生物组织形态还受基因、表观遗传状态以及基因和蛋白表达影响，不能只按固定坐标生成；自然图像模型用于组织图像时仍需适配。
分块训练虽能降低计算负担，原始组学数据的存储与处理仍然负担很重。空间表达数据通道多且稀疏，需要能高效处理稀疏矩阵的软件和数据结构。
现有实例探索药物扰动后的细胞形态与组织重建
综述以 Phenexplain 为例，介绍如何将不同细胞扰动条件和药物浓度作为条件信息，在潜在空间中模拟未处理与处理后细胞形态之间的变化。这一实例展示了药物筛选可探索的一种计算思路。
另一些方法将肿瘤基因表达与组织图像配对。以组织整体表达为输入可以提供分子条件，却难以呈现局部异质性；SST-editing 则利用空间表达信息重建细胞，并在计算中改变表达特征，观察相应形态如何变化。
在更大尺度上，文章介绍利用空间表达资料重建小鼠组织乃至全脑图谱的探索。相邻区域需要平滑衔接，分子位置与形态也需要对应；这些实例为生成更大虚拟组织提供基础。
图像相似性之外，还需检验生物学特征
细胞图像重建可以使用峰值信噪比（peak signal-to-noise ratio，PSNR）和结构相似性指数（structural similarity index measure，SSIM）等指标。它们衡量生成图像与参照图像的相似程度。
作者提出用实测数据检验模拟结果，并开发适合生物研究的评价指标。综述举例说明，可比较改变基因表达后生成组织中的细胞核大小、数量等形态特征与参照数据，以判断模型是否保留研究关注的结构。
若用这类模型预测药物干预后的形态变化，就需要与相应实验结果对照，检验模拟是否反映真实的生物过程。作者认为，计算与实验研究者需共同确定评价指标并解释模拟结果。
连续时间信息仍是动态数字孪生的缺口
拟时序分析可依据不同样本的状态推断变化轨迹，但这些静态快照并未连续跟踪同一个体，可能遗漏快速事件，也不易区分个体差异。
综述将连续追踪空间和时间变化的数据列为下一步方向。空间测量与生成模型的结合已提供组织重建和扰动模拟的技术线索；若进一步用于药物干预研究，还需积累连续时间数据，并用实验观察检验模型提出的变化。