数字孪生依赖持续反馈与个体化预测
毒理学已有生理药代动力学模型（physiologically based pharmacokinetic models，PBPK）、定量系统药理学（quantitative systems pharmacology，QSP）、器官芯片及多种计算预测工具。Toxicology 新综述讨论，如何把这些工具用于更连续、个体化的药物与毒性风险评价。
作者所说的数字孪生，是一个以机制为基础、由数据驱动并持续更新的数字模型，用于描述某一个体的生物系统。文中列出 5 项特征：按决策所需节奏更新数据、多尺度整合、机制与统计混合架构、个体化，以及预测模拟。
由数据、机制、AI 与模拟组成四层架构
综述提出数据层、机制层、AI 层和模拟层。PBPK 与 QSP 可提供相对成熟的机制组件，但连续数据流、不确定性量化、反馈驱动的重新校准及监管级验证，仍决定这些组件能否形成真正可工作的孪生系统。
作者用上述条件检视 6 个已发表系统，没有一个同时满足全部 5 项要求。文章因此把药物开发中的转化问题，集中在数据异质性、验证标准、可解释性、监管接受及患者个体模型的伦理责任与管理等方面。