在当今生命科学领域，数字技术正引领着一场革命性的变革。其中，数字孪生模型（digital twin）作为一项前沿技术，以其对实体对象的精确虚拟映射而脱颖而出，成为这场变革的先锋力量。

数字孪生生命技术，通过精确建模生命体，极大地增强了我们对复杂生物系统的理解和操控能力。它不仅在细胞工厂设计、工业发酵条件优化、药物开发以及个性化医疗等领域展现出巨大的应用潜力，更标志着我们对生命科学认知的深化和拓展。

清华大学深圳国际研究生院的助理教授李斐然，以其在生命数字化研究领域的深厚造诣，成功整合了人工智能与系统生物学等先进方法，开发出了创新性的数字生命框架。她的研究从微生物建模拓展到更为复杂的人类细胞建模，不仅在合成生物学领域的多个关键任务上取得了突破，更在医疗健康领域贡献了多项重要成果。

李斐然凭借其在生命数字化研究领域的卓越成就，以及开发出首个深度学习预测酶参数的方法，荣获2023年度《麻省理工科技评论》中国区“35岁以下科技创新35人”的殊荣。

她的学术旅程始于瑞典查尔姆斯理工大学生物及生物工程系，师从中国工程院外籍院士Jens Nielsen教授，并在该实验室完成了博士后研究。目前，她的研究重点聚焦于数字生命模型的开发与应用转化，涵盖了从微生物到哺乳动物细胞、器官乃至人体的代谢模型或调控模型的构建与分析，旨在探索细胞代谢的未知领域，促进新途径和新酶的发现，并通过深度学习模型深化对蛋白序列-功能-参数关系的理解。

李斐然的童年，充满了对科幻小说的热爱，如《三体》、《镜子》和《沙丘》等作品，这些阅读经历在她心中播下了探索科技未来的种子。她回忆道：“这些作品激发了我对虚拟世界的浓厚兴趣，并憧憬着将科幻小说中的想象变为现实。这些经历培养了我的好奇心和探索精神，也为我在科学研究中带来了开放的思维和创新的能力。”

在本科阶段，李斐然专注于生物化工和合成生物学，致力于通过改造微生物菌株来提高产量。然而，她在实践中发现，传统的基因改造方法往往难以达到预期效果。这激发了她构建数学模型以预测菌株体内变化、提高改造成功率的想法。

此后，李斐然将研究重点转向数字细胞项目，系统学习微生物代谢建模，并逐步将建模目标扩展到人类细胞。2017年，她加入Jens Nielsen院士团队，致力于提升数字生命模型的模拟精度和范围，实现了从解释性模型向预测性模型的转变。

在微生物代谢建模领域，机理模型曾是主流，它基于生物系统的内部机制或物质流传递机理构建，需要深入理解生物过程才能准确描述和预测其行为。然而，对于不完全了解的生物过程，构建准确的机理模型存在局限，预测效果也难以令人满意。

面对这一挑战，李斐然提出了将机理模型与人工智能结合的创新思路。她指出：“人工智能在预测性能上具有显著优势，但解释性不足；而机理模型则在解释性上表现突出。因此，我们尝试将两者的优势结合起来，提出了机理模型+人工智能双核驱动的模型框架。这一框架不仅结合了机理模型的可解释性，也融入了深度学习模型的可预测性，使我们能够全面建模已知和未知的生命过程。”

基于这一理念，李斐然开发了首个深度学习预测酶活性参数的方法—DLKcat。该模型仅需输入酶的底物信息和序列，即可预测其活性，为酶工程改造和设计领域提供了一个实用的预测工具，加速了对蛋白序列-结构-功能关系的理解。

此外，李斐然还构建了超大规模的开源酶数据库GotEnzymes，该数据库包含超过两千万个酶-底物对的酶活参数，是现有主流数据库的1500多倍，为酶参数预测领域带来了革命性的影响。

在清华大学深圳国际研究生院，李斐然建立了独立实验室，继续在数字孪生模型的构建和应用上取得突破。她的团队针对合成生物学和医药健康领域，开发了针对真核生物的两类模型：真核微生物模型和人体模型。这些模型在细胞工厂设计、个性化健康管理和治疗等方面展现出巨大的应用潜力。

李斐然的研究不仅局限于代谢模型，还扩展到了蛋白翻译、转录、修饰以及相关功能等调控网络模型。她的团队已经构建了超过300种酵母菌属的模型、1000多个工业应用酿酒酵母模型，以及针对不同人群的近20个器官的人体模型。

2022年，李斐然提出了pcSecYeast复杂蛋白质分泌模型，该模型涵盖了从4000个反应数增长至37000个反应的详细过程，为理性改造靶点和设计细胞工厂提供了新方法。

同时，她的团队还在构建综合性的数字孪生人类模型，已经针对5种人群建立了代谢模型，覆盖了从婴儿到老年人的不同阶段。李斐然表示：“我们的目标是揭示不同人群在药物组合代谢和食物代谢方面的差异，并希望未来能够为每个个体提供个性化建模，服务于其健康管理和个性化治疗需求。”

李斐然的研究不仅在学术界取得了认可，也在产业界展现出巨大的应用潜力。她透露，目前正在推进模型的转化应用工作，特别是加速酶参数预测模型在酶工业领域的应用，提高酶改造和设计的准确性。此外，她还计划与测序公司或健康管理公司合作，建立全机体数字人类模型，结合基因组测序为个体提供个性化的健康管理和治疗建议。

李斐然对基础研究的热爱和执着，体现了她对科学探索的深刻理解。她认为，基础研究应该像培育孩子一样，期待研究成果能够真正应用起来，推动产业界变革，甚至改变现有的模式。深圳作为一个充满活力的创新之城，为李斐然的研究提供了丰富的机遇和广阔的舞台。

基因组代谢模型作为系统描述细胞代谢的数学模型，为代谢相关的实验数据提供了解释框架，简化了全细胞代谢模拟实验。自1999年首个基因组代谢网络模型流感嗜血杆菌模型被构建以来，全球已经构建了数以千计的物种模型，广泛应用于生物制造和生命健康等领域。

李斐然指出，尽管基因组规模代谢网络模型在数量上实现了飞跃，但整个领域仍处于早期阶段。目前的建模方法与20多年前相比，尚未出现革命性的突破。相对于复杂的生物系统，模型的质量和预测能力仍有待提高。因此，我们需要从量变到质变，整合人工智能和数字孪生等先进技术，推动模型向更精准和更具预测性的方向发展。