「數字孿生」一詞源自工程學與電腦科學，是指根據物理對象或系統創建的虛擬副本。簡單來講，數字孿生是使用高級計算模型為物理實體建立的複雜、動態且實時形式的數字表示。
這些模型的唯一目的就是模擬對象或者過程在特定場景下的變化方式。航空航天領域在數字孿生的部署方面尤為成功，已經能夠利用實時數據來預測飛機的行為方式，藉此提高安全性與性能。最近，隨著AI技術進步、大量生物數據集的出現以及計算能力的持續提升，數字孿生概念在醫療保健領域也開始獲得關注。在生命科學領域，數字孿生甚至能夠表達患者、細胞、器官或者其他非生物系統，例如為健康系統或者藥物製造過程建立孿生副本。
數字孿生技術擁有巨大潛力，有望徹底顛覆藥物研發方式，並為患者提供精準醫療服務。這些孿生副本可以準確模擬疾病演變軌跡，預測潛在療法的療效，並可用於預測患者健康及疾病發展中的各項要素。如此強大的功能將顯著減少藥物開發的時間和成本投入，並提供更具針對性的治療方法。
數字孿生與計算模型
多年以來，生命科學領域已經積累起大量生物計算模型。這些模型使用數學議程和計算技術來模擬生物過程，例如代謝途徑與疾病進展等。
雖然計算模型在過往的特定系統模擬場景下也發揮了重要作用，但卻很難在整個生物體層面以機械方式模擬數萬億個細胞以及基因與蛋白質之間的相互作用。在這方面，數字孿生大大超越了傳統生物模型，因為其：（1）能夠為系統級物理實體建立實時模擬；（2）提供對實時數據的集成能力，且不受機械議程的束縛；並且（3）實現可反映系統狀態的預測能力。
必須承認，為人體生物學系統建立數字孿生是一項艱巨的任務。其間需要對數萬億個細胞進行建模，並且在細胞水平上描述成千上萬個基因與蛋白質之間再高出一個數量級的成對相互作用。雖然建立這樣一套能夠全方位模擬人體狀態的數字孿生副本尚不現實，但部分企業已經在為人體生物學的特定模擬系統建立及應用數字孿生方面取得了進展。
下面來看部分在藥物發現和醫療保健領域建立數字孿生方案的廠商：
Unlearn.AI
成立時間：2017年 | 總部：美國加利福尼亞州舊金山
使用的數據：病患臨床試驗；電子病歷數據。
應用案例：Unlearn.AI嘗試為臨床試驗參與者們生成數字孿生，藉此提高隨機臨床試驗的效率和信心。這些模型能夠對臨床結果進行全面預測，減少了與臨床研究相關的時間與成本投入，因此降低了需要參加試驗的患者數量。
Twin Health
成立時間：2018年 | 總部：美國加利福尼亞州山景城
使用的數據：從可穿戴設備處收集的代謝數據、生活方式資料與健康數據。
應用案例：Twin Health使用數字孿生為糖尿病患者生成個性化的健康管理策略，並為最佳健康管理與預防保健提供定製化建議。
Predictiv
成立時間：2022年 | 總部：美國馬薩諸塞州貝德福德
使用的數據：遺傳、健康史與生活方式數據。
應用案例：Predictiv能夠創建的數字孿生來預測疾病風險並提供個性化醫療干預措施，同時不斷整合最新基因研究成果。這些模型有助於根據早期疾病檢測結果量身定製治療計劃，增強預防保健與患者的預後恢復效果。
Predisurge
成立時間：2017年 | 總部：法國里昂
使用的數據：患者特定心臟檢測數據。
應用案例：Predisurge為患者開發特定的數字孿生，用以模擬其心血管系統中動脈及以及瓣膜的行為模式，可用於規劃心血管疾病手術及其他醫療規程。
Q.bio
成立時間：2015年 | 美國加利福尼亞州雷德伍德城
使用的數據：遺傳學、生物化學、成像、定量解剖數據、生命體重、可穿戴數據、醫療、家庭與社會歷史等。
應用案例：Q.bio建立的數字孿生能夠為個人健康提供整體視圖，可用於預測多種疾病及解剖問題的未來生物學狀態。
現實用例與成功故事
在之前提到的幾家企業中，Unlearn.AI已經在監管層面迎來重大里程碑，包括歐洲藥品管理局（EMA）對其Procova程序的資質審查意見草案。該程序整合了數字孿生副本，旨在提高縱向臨床試驗的執行效率。他們目前正在與多家製藥企業（包括默克集團和QurAlis）合作部署其平台，努力提高臨床試驗的效力並分別減少免疫藥物與肌萎縮側索硬化症（ALS）對照組所需要的患者數量。
與此同時，Twin Health的技術成果在臨床研究中也展現出令人鼓舞的結果，其中95%的糖尿病患者表現出糖化血紅蛋白水平降低與體重減輕等改善跡象，凸顯出數字孿生在改變慢性病管理方式上的潛力。
而Predisurge的數字孿生技術也已通過臨床研究驗證，證實其在模擬心血管幹預方面的準確性與有效性。該項技術目前已在50多家醫療中心內得到部署，迄今為止使得500多名患者受益。
未來展望
數字孿生代表著傳統生物模型的重大進步，也為醫療保健提供了一種動態、整體以及預測性的新方法。通過整合實時數據並配合先進的計算技術，數字孿生模型有望顛覆患者護理思路，簡化藥物發現並推動主動醫療保健的實踐落地。
在生物製藥和醫療保健研究的相關領域，區塊鏈與合成數據生成屬於兩項並行技術，能夠在數字孿生的基礎之上實現高度的協同作用。製藥企業正在收集大量研究數據、患者健康記錄以及臨床試驗數據，藉此獲取寶貴見解。然而，出於利用數據重新還原出病患身份的潛在風險，嚴格的隱私法規往往會限制此類數據的共享。而使用生成模型創建的合成數據則既可以重現實時臨床或研究數據中的統計屬性，同時又刪去了個人身份標記並通過去中心化且不可變的區塊鏈分類賬進行共享，因此讓大量數據在數字孿生模型訓練中的應用成為了可能。
隨著技術的不斷發展，數字孿生在醫療保健領域的應用也有望進一步擴大，最終為精準醫療與個性化治療新時代的來臨鋪平道路。
