近日，我院统计学系邹鉴副教授联合香港中文大学（深圳）Wei Zong教授、美国C3 AI公司Manqi Cai博士，在《The Innovation Oncology》杂志创刊号上，发表题为《Redefining the tumor digital twin through cross-domain manifold mapping》的评论文章，提出“Cell-Line-Like-Me”统计学习框架，为肿瘤“数字孪生”从理论概念走向临床应用提供了一条新的统计学习路径。

肿瘤药物研发长期面临约90%的高失败率，症结不在于缺少临床前模型（细胞系、PDX、类器官），而在于缺乏系统性手段量化“哪个模型在哪些通路上与某位患者的肿瘤真正契合”。针对当前流行的“从头构建”（ab initio）虚拟细胞思路，文章指出：单要精确模拟单个细胞，需要描述数以千计的生化反应参数，可临床上能获得的患者数据，往往只有一次活检的基因组快照，这在统计学上是“方程数远少于未知数”的不适定问题，无法求得唯一解；其次，深度学习模型在生物数据上，往往学到的不是真实的肿瘤规律，而是批次效应、培养条件等技术噪音；最后，真正的肿瘤数字孪生，要求与物理实体持续动态交互，可患者通常只有一两次活检记录，现有的临床数据采集体系，从定义上无法支撑这一要求。

在此背景下，邹鉴副教授团队提出了“Cell-Line-Like-Me”框架，将关注点从“重建虚拟细胞”转向“学习生物状态空间的几何结构”。该文章指出，借助统计学习方法，将患者肿瘤与临床前模型共同嵌入一个共享生物流形；由于细胞系等“锚点”已携带密集的药物响应标注，患者一旦在该流形上获得自己的坐标，其药物响应预测便顺势转化为对邻近锚点的几何推断问题。文章建议通过锚点空间内部交叉验证、独立患者队列外部基准、以及通路层级的契合度计算三步流程对该框架进行验证，并讨论了罕见癌种锚点稀疏、前瞻性临床验证及跨平台数据协调等现实约束。“Cell-Line-Like-Me”框架有望将肿瘤数字孪生从能否在体外完整复刻一个患者肿瘤的工程难题，重构为如何在共享生物流形上量化模型与患者的契合度的统计学习问题。

我院邹鉴副教授为该文章通讯作者，流行病与卫生统计学专业研究生胡元苧为论文第一作者，流行病与卫生统计学专业研究生王俊程为共同作者。本研究受到重庆市留学人员回国创业创新支持计划等资助。

原文链接：https://doi.org/10.59717/j.xinn-oncol.2026.100012