“数字孪生”一词源自工程学与计算机科学，是指根据物理对象或系统创建的虚拟副本。简单来讲，数字孪生是使用高级计算模型为物理实体建立的复杂、动态且实时形式的数字表示。
这些模型的唯一目的就是模拟对象或者过程在特定场景下的变化方式。航空航天领域在数字孪生的部署方面尤为成功，已经能够利用实时数据来预测飞机的行为方式，借此提高安全性与性能。最近，随着AI技术进步、大量生物数据集的出现以及计算能力的持续提升，数字孪生概念在医疗保健领域也开始获得关注。在生命科学领域，数字孪生甚至能够表达患者、细胞、器官或者其他非生物系统，例如为健康系统或者药物制造过程建立孪生副本。
数字孪生技术拥有巨大潜力，有望彻底颠覆药物研发方式，并为患者提供精准医疗服务。这些孪生副本可以准确模拟疾病演变轨迹，预测潜在疗法的疗效，并可用于预测患者健康及疾病发展中的各项要素。如此强大的功能将显著减少药物开发的时间和成本投入，并提供更具针对性的治疗方法。
数字孪生与计算模型
多年以来，生命科学领域已经积累起大量生物计算模型。这些模型使用数学议程和计算技术来模拟生物过程，例如代谢途径与疾病进展等。
虽然计算模型在过往的特定系统模拟场景下也发挥了重要作用，但却很难在整个生物体层面以机械方式模拟数万亿个细胞以及基因与蛋白质之间的相互作用。在这方面，数字孪生大大超越了传统生物模型，因为其：（1）能够为系统级物理实体建立实时模拟；（2）提供对实时数据的集成能力，且不受机械议程的束缚；并且（3）实现可反映系统状态的预测能力。
必须承认，为人体生物学系统建立数字孪生是一项艰巨的任务。其间需要对数万亿个细胞进行建模，并且在细胞水平上描述成千上万个基因与蛋白质之间再高出一个数量级的成对相互作用。虽然建立这样一套能够全方位模拟人体状态的数字孪生副本尚不现实，但部分企业已经在为人体生物学的特定模拟系统建立及应用数字孪生方面取得了进展。
下面来看部分在药物发现和医疗保健领域建立数字孪生方案的厂商：
Unlearn.AI
成立时间：2017年 | 总部：美国加利福尼亚州旧金山
使用的数据：病患临床试验；电子病历数据。
应用案例：Unlearn.AI尝试为临床试验参与者们生成数字孪生，借此提高随机临床试验的效率和信心。这些模型能够对临床结果进行全面预测，减少了与临床研究相关的时间与成本投入，因此降低了需要参加试验的患者数量。
Twin Health
成立时间：2018年 | 总部：美国加利福尼亚州山景城
使用的数据：从可穿戴设备处收集的代谢数据、生活方式资料与健康数据。
应用案例：Twin Health使用数字孪生为糖尿病患者生成个性化的健康管理策略，并为最佳健康管理与预防保健提供定制化建议。
Predictiv
成立时间：2022年 | 总部：美国马萨诸塞州贝德福德
使用的数据：遗传、健康史与生活方式数据。
应用案例：Predictiv能够创建的数字孪生来预测疾病风险并提供个性化医疗干预措施，同时不断整合最新基因研究成果。这些模型有助于根据早期疾病检测结果量身定制治疗计划，增强预防保健与患者的预后恢复效果。
Predisurge
成立时间：2017年 | 总部：法国里昂
使用的数据：患者特定心脏检测数据。
应用案例：Predisurge为患者开发特定的数字孪生，用以模拟其心血管系统中动脉及以及瓣膜的行为模式，可用于规划心血管疾病手术及其他医疗规程。
Q.bio
成立时间：2015年 | 美国加利福尼亚州雷德伍德城
使用的数据：遗传学、生物化学、成像、定量解剖数据、生命体重、可穿戴数据、医疗、家庭与社会历史等。
应用案例：Q.bio建立的数字孪生能够为个人健康提供整体视图，可用于预测多种疾病及解剖问题的未来生物学状态。
现实用例与成功故事
在之前提到的几家企业中，Unlearn.AI已经在监管层面迎来重大里程碑，包括欧洲药品管理局（EMA）对其Procova程序的资质审查意见草案。该程序整合了数字孪生副本，旨在提高纵向临床试验的执行效率。他们目前正在与多家制药企业（包括默克集团和QurAlis）合作部署其平台，努力提高临床试验的效力并分别减少免疫药物与肌萎缩侧索硬化症（ALS）对照组所需要的患者数量。
与此同时，Twin Health的技术成果在临床研究中也展现出令人鼓舞的结果，其中95%的糖尿病患者表现出糖化血红蛋白水平降低与体重减轻等改善迹象，凸显出数字孪生在改变慢性病管理方式上的潜力。
而Predisurge的数字孪生技术也已通过临床研究验证，证实其在模拟心血管干预方面的准确性与有效性。该项技术目前已在50多家医疗中心内得到部署，迄今为止使得500多名患者受益。
未来展望
数字孪生代表着传统生物模型的重大进步，也为医疗保健提供了一种动态、整体以及预测性的新方法。通过整合实时数据并配合先进的计算技术，数字孪生模型有望颠覆患者护理思路，简化药物发现并推动主动医疗保健的实践落地。
在生物制药和医疗保健研究的相关领域，区块链与合成数据生成属于两项并行技术，能够在数字孪生的基础之上实现高度的协同作用。制药企业正在收集大量研究数据、患者健康记录以及临床试验数据，借此获取宝贵见解。然而，出于利用数据重新还原出病患身份的潜在风险，严格的隐私法规往往会限制此类数据的共享。而使用生成模型创建的合成数据则既可以重现实时临床或研究数据中的统计属性，同时又删去了个人身份标记并通过去中心化且不可变的区块链分类账进行共享，因此让大量数据在数字孪生模型训练中的应用成为了可能。
随着技术的不断发展，数字孪生在医疗保健领域的应用也有望进一步扩大，最终为精准医疗与个性化治疗新时代的来临铺平道路。
