近日，南京信息工程大学人工智能学院智能医学图像计算江苏高校重点实验室（IMIC），联合东南大学、新疆医科大学第一附属医院完成的研究工作，《Advances in Computational Biology Approaches for Digital Modeling of Tumor Microenvironment》（肿瘤微环境数字建模的计算生物学方法进展），被国际期刊 《Briefings in Bioinformatics》（BIB，杂志影响因子：7.3，中科院一区SCI，CCF-B期刊）录用发表。明文龙老师为本论文的第一作者，二年级硕士生卢惠敏为论文第二作者（导师：明文龙），徐军教授（南京信息工程大学）和刘宏德教授（东南大学）为论文共同通讯作者。Briefings in Bioinformatics是牛津大学出版社旗下权威期刊，主要关注生物信息学、计算生物学及临床转化生物信息学等方向。

本工作围绕肿瘤微环境这一复杂、多尺度的生物系统，系统梳理计算建模方法及其与机器学习融合的研究进展，从模型选择、可信度评估和临床转化等方面提出研究建议，为理解肿瘤演化、开展个体化模拟及探索肿瘤数字孪生提供方法参考。

如何在计算机中重建肿瘤的“生存环境”？

肿瘤的发生发展并非由肿瘤细胞单独决定。血管、免疫细胞、细胞外基质，以及氧气、营养物质和力学环境，共同构成了动态变化的肿瘤微环境。这些因素相互作用，影响肿瘤生长、侵袭和治疗反应。面对如此复杂的系统，实验观察往往难以完整呈现不同机制之间的动态联系。计算建模可以将生物学过程转化为数学描述，在计算机中开展可重复的“虚拟实验”，帮助研究者检验机制假设、分析关键因素，并探索不同干预方案可能产生的影响。但模型应当如何选择？模型参数能否从现有数据中可靠估计？模拟结果需要什么证据支持？这些问题直接决定了数字建模的科学价值与应用边界，也是本工作重点关注的内容。

从生物学问题出发，建立模型选择的清晰路径

论文围绕肿瘤细胞动态、血管运输、细胞外基质与力学、代谢与缺氧、免疫相互作用五类关键机制，比较了连续模型、离散模型及离散—连续混合模型的特点。连续模型适于描述组织尺度的生长与物质运输；离散模型能够刻画单个细胞的行为及局部相互作用；混合模型则连接细胞行为与周围环境，用于研究不同尺度之间的双向影响。

模型选择应由研究问题、数据条件和验证目标共同决定。在满足研究目的的前提下，采用“最小充分模型”，有助于平衡生物学表达能力、可解释性和计算成本。本论文进一步整理模型选择指南和开源仿真平台，为研究者从问题定义走向模型实现提供参考。论文以框架图呈现了三类建模范式及其关系，并将生物学问题、研究尺度、可用数据和验证目标纳入模型选择路径，帮助读者理解不同方法适用于哪些研究场景。

图1：肿瘤微环境数字建模的主要范式与模型选择路径。图中展示离散、连续及离散—连续混合模型的特点，并说明了如何依据研究问题与数据条件选择合适的建模方法。

解析多尺度相互作用，连接肿瘤细胞与微环境

肿瘤微环境中的不同机制彼此关联：血管运输影响氧气、营养物质和药物的分布；代谢与缺氧改变细胞状态；细胞外基质和力学条件影响肿瘤侵袭与免疫细胞活动；细胞行为又会反过来重塑周围环境。本工作将这些过程置于统一的机制框架中，梳理细胞状态、物质运输和力学因素之间的联系，为理解肿瘤异质性及构建多尺度模型提供依据。

图2：肿瘤微环境的关键机制及其相互联系。图中展示肿瘤细胞动态、血管运输、细胞外基质与力学、代谢与缺氧及免疫相互作用，呈现共同影响肿瘤演化的多尺度过程。

连接生物学机理与人工智能，拓展数字建模能力

机器学习正在为肿瘤微环境建模提供新的工具。本论文根据功能梳理了机理模型与机器学习融合的主要路径：利用代理模型加速计算成本较高的仿真过程；从影像、病理或纵向观测中推断难以直接测量的参数与状态；将控制方程等知识纳入神经网络训练，增强学习结果与既有机制的一致性。

在此基础上，结合患者多模态数据，可以构建反映个体差异的模型，并随疾病过程逐步更新。这些方法为连接临床观测与机制解释提供了新思路，也对数据质量、参数可辨识性和验证设计提出了更高要求。论文进一步展示了患者数据、机理模型与机器学习方法如何相互衔接，以及它们在个体化建模和数字孪生研究中的作用。

图3：面向个体化建模与数字孪生的机理—机器学习融合流程。图中呈现患者数据与计算模型的衔接方式，以及模拟加速、参数推断和模型更新等环节在整体流程中的作用。

从“能够模拟”走向“结果可信”

数字模型的价值不仅在于能否复现已有现象，还在于预测是否可靠、适用于什么场景，以及不确定性有多大。本论文从数值有效性、生物学保真度和临床相关性三个维度讨论模型可信度，并整理了覆盖参数估计、验证、不确定性量化和可重复性的评估清单。不同疾病、数据和预测任务下的性能指标具有各自的适用语境，应结合具体用途理解其证据强度。这一框架有助于研究者明确模型的能力与边界，为后续实验验证和临床研究设计提供依据。

面向肿瘤数字孪生，提出分阶段转化思路

肿瘤数字孪生的目标，是将患者数据与计算模型持续连接，支持疾病状态更新、未来变化预测及干预方案比较。本工作提出面向临床转化的准备度路径，讨论从机制假设生成、回顾性校准到个体化预测和自适应数字孪生所需的证据。纵向数据更新、独立与前瞻性验证、跨中心泛化能力及透明的不确定性报告，是推动这一方向发展的关键。

本论文为肿瘤微环境数字建模提供了从机制梳理、方法选择到可信度评估与转化研究的系统参考，为计算生物学、医学人工智能与肿瘤学的交叉研究提供了新的思考路径。

本文引用方式与原文链接

Wenlong Ming, Huimin Lu, Tianhao Zeng, Kun Luo, Jun Xu, Hongde Liu, Advances in computational biology approaches for digital modeling of tumor microenvironment, Briefings in Bioinformatics, vol. 27, no.5, September 2026, bbag595, 论文链接：https://doi.org/10.1093/bib/bbag595