全球首个皮肤专属虚拟细胞世界模型发布,对化妆品研发有何影响?

全球首个皮肤专属虚拟细胞世界模型发布,对化妆品研发有何影响?
2026年11月13日 14:52 未来迹FBeauty

11月5日,北方的秋意已深,广州的阳光却仍带着暖意。

在第四届广州国际美妆周《AI驱动化妆品安全与功效评价科学大会》上,上海交通大学数学科学学院、人工智能学院讲席教授陈洛南,把一个略显陌生的名字带到了台前——DermCosmos。

据《FBeauty未来迹》了解,这个被发布方称为“全球首个皮肤专属虚拟细胞世界模型”的DermCosmos,由上海交通大学数学科学学院、数元纪、联合利华与广州质量检验研究院共同发布,陈洛南团队参与研发。与此同时,四方还启动了“AI驱动化妆品安全与功效评价的创新与共识”联合研究。

这个模型究竟有何特殊能力?会给化妆品研发带来哪些重大改变?《FBeauty未来迹》对此进行了深入研究,并尝试进行解读。

第四届广州国际美妆周《AI驱动化妆品安全与功效评价科学大会》现场

从筛选成分,到预演皮肤变化

DermCosmos对化妆品研发的第一重影响,是对皮肤的重新理解。

皮肤由表皮和真皮构成,角质层、颗粒层和基底层属于表皮的不同层次,真皮中则分布有微血管等结构。在化妆品研发中,研究重点之一是寻找“成分”与“靶点”的对应关系,筛选能够作用于相关靶点的活性物,并阐明其作用机制。

但皮肤其实并不是一块均质的、静态的材料。

皮肤的状态会随着年龄增长而不断改变[1-2],也会受到外界环境影响。这意味着,同一种成分在不同环境、不同干预时机、面对不同状态的皮肤时,未必呈现相同的响应。要更完整地理解皮肤,除了静态结构,还需要引入时间和空间维度:既观察基因表达在组织中的位置,也追踪皮肤随时间及外界环境变化而产生的响应。

目前,单细胞组学已经能够帮助科学家分辨皮肤中不同的细胞类型和状态,而空间组学则进一步保留了基因表达的组织位置信息[3]。在此基础上,DermCosmos想再向前一步:从看清皮肤“此刻”的状态,走向推演皮肤“将来”的状态。

上海交通大学数学科学学院、人工智能学院讲席教授陈洛南在大会现场介绍虚拟皮肤研究

按照陈洛南的介绍,构建DermCosmos的第一步是利用现有大数据进行模型训练。

用于模型学习的数据大致分为三类:第一类用于认识皮肤细胞,帮助模型学习不同细胞的类型、状态及年龄等特征;第二类用于学习活性物介入后,细胞会产生怎样的响应;第三类则用于定义衰老等目标状态。数据覆盖不同年龄等维度,来源既包括公开数据,也包括合作研究数据。

完成阶段性训练后,模型便可用于推演,并在后续实验中持续接受检验和校正。

陈洛南将团队构建的推演系统拆成四步:借鉴UniCure相关方法预测干预响应(UniCure原始研究面向癌症治疗响应)[4],利用动态网络标志物(DNB)寻找状态转变的临界窗口[5],再以CauTrigger尝试从目标状态反推潜在驱动因素与干预路径[6],最后仍要回到真实实验,让新数据校正模型。

DermCosmos模型核心闭环及应用边界(资料来源:《FBeauty未来迹》根据陈洛南现场演讲整理)

在团队的研究框架中,这些数据的重要基础是大规模人类皮肤单细胞转录组信息。可以把它理解为细胞分子活动的“快照”:通过观察单个细胞中不同基因的表达情况,帮助研究人员判断细胞类型及其当前状态[1-2]。团队希望在此基础上,把“细胞现在是什么样”“外界进行了什么干预”“干预后可能发生什么变化”联系起来。

按照这一研究思路,研发人员可以尝试先设定一个细胞状态,再加入一种成分或组合,让模型预测细胞可能如何变化;对于持续或叠加干预,则进一步探索其变化路径,并通过真实实验检验和校正预测。

这意味着,研发逻辑可以尝试从“筛选成分—制作配方—实验测试”的经验链条,转向“细胞状态—外部干预—生物响应—实验验证”的可计算链条。研发人员可以追问的不再只有“哪个成分可能有效”,还包括“什么时候介入”“怎样组合”,以及“哪种假设最值得优先投入实验验证”。

当然,从“可以计算”到“值得信任”,中间还隔着真实数据。DermCosmos对真实实验的还原能力,仍要接受测试。

研发团队提供的一组皮肤数据测试显示,在所述同一测试集、同一基因面板条件下,DermCosmos在“绝对PCC”和ΔPCC两项指标上均高于其他参测模型。这里的“绝对PCC”是研发团队的指标命名,指预测基因表达水平与实测结果的皮尔逊相关系数,主要反映线性相关性,并不直接等同于误差大小或数值上的完全吻合[7];ΔPCC则用于考察模型能否复现干预相对于对照状态的表达变化。一般而言,数值越高,说明相应口径下的一致性越好。

从方法迁移,到研发流程重构

DermCosmos并非凭空出现。要理解它可能对化妆品研发产生的影响,需要同时看两条线:一条是陈洛南团队的方法迁移,另一条是联合利华将模型接入既有研发流程的产业实践。

UniCure是其中一块方法基石。陈洛南团队将生物与化学基础模型结合,利用药物扰动数据学习治疗前后的转录组变化,并探索个体化药物优先级排序。虽然原始研究是面向癌症治疗的,但它提供了一种可迁移的思路:从初始状态与干预条件出发,预测生物响应[4]。

另一条方法主线,则来自团队对生物系统动态变化的长期研究。

DNB回答的是“变化何时临近”:在显著表型出现之前,从分子涨落与网络变化中识别临界窗口[5];CauTrigger则尝试回答“如何到达目标状态”,通过层级因果分解寻找潜在驱动因素与干预路径[6]。这些方法进入皮肤场景后,仍需围绕皮肤细胞类型、成分干预与评价目标重新验证。

但虚拟皮肤不是单一团队能够完成的研究。它需要数学方法、产业问题、湿实验与检测评价共同参与,四方分工如下。

这张分工表也说明,DermCosmos的产业价值不会只来自算法。模型要进入研发一线,还需要真实问题、实验条件与评价标准共同承接。这就不得不提到DermCosmos背后的另一个重要参与方——联合利华。

据联合利华(中国)有限公司研发策略与运营负责人、China-SCC科技部副部长梁燕介绍,联合利华已经搭建起名为“AI for SASSY Innovation”的完整框架,覆盖科学智能、美学包装、敏捷创新和科学传播等领域,涉及从知识发现到产品落地、再到市场营销的不同环节。DermCosmos正是其中“科学智能”板块的重要模型之一。

联合利华(中国)有限公司研发策略与运营负责人、China-SCC科技部副部长梁燕介绍AI for SASSY Innovation

据《FBeauty未来迹》了解,目前,联合利华“科学智能”板块的AI能力已经迭代到3.0阶段。

据梁燕介绍,1.0阶段,联合利华将六个AI模型导入研发工作流,帮助科学家筛选分子、寻找靶点、研究新机理和预测皮肤敏感性;2.0阶段,科研智能体把文献检索、分子对接等专业工具接到对话入口,研发人员只需通过聊天窗口就能调用其接入的专业数据库与文献资源,大大降低了使用门槛;到了3.0阶段,通过虚拟皮肤细胞世界模型DermCosmos开始尝试预测状态变化。

AI在联合利华,究竟如何介入研发?三个案例,分别展示了它在活性物筛选、防腐研究和包装设计中的具体作用。

案例一|在600万种可能中,找到值得实验的那一小部分

据梁燕现场介绍,面对约600万分子的候选空间,传统筛选很像在一座巨大的仓库里逐个开箱。联合利华团队围绕抗老、头皮健康和屏障健康等方向,先用Uni-Dock进行分子与靶点的对接计算[8],再用Uni-GBSA开展MM/GB(PB)SA结合自由能评估[9],并以Uni-BPMD观察动态过程中的稳定性;随后,不同模型打分与科学家经验共同收敛候选,把实验资源集中到更值得验证的一小部分。

真正关键的,不是模型给出了多少高分候选,而是其中多少候选经得起实验。

梁燕现场披露,联合利华对经AI筛选圈定的八个新活性物开展验证,湿实验命中率约为62%;不同靶点的命中率约为30%—66%,其中膜蛋白的预测和筛选最为棘手。这些数字属于企业项目的阶段性结果。这也表明,AI并不能代替科学家,它只能作为一种工具把搜索范围缩小;问题怎么提、候选怎么选、结果是否成立,仍要经过专业判断与实验。

案例二|数据与机制双路径协同,加快防腐成分筛选

在防腐研究中,联合利华没有把所有筹码押给同一种算法。一条路是数据驱动:用Uni-QSAR从分子表征与抗菌数据中学习;另一条路是机制驱动:由微生物团队先从文献和作用机理出发,围绕革兰氏阴性菌的DNA合成、膜通透性或细胞间沟通等方向选择靶点,再做高精度筛选。数据提供线索,机理约束方向,两条路径在候选处会合。

据梁燕现场介绍,相关防腐筛选模型在其项目测试中的预测准确率达到95%,十个候选已完成验证,部分已经进入创新项目。

案例三|一只进入“AI快车道”的洗衣液瓶

梁燕提到了一个奥妙五星香氛洗衣液包装的项目。

团队先是解析了品类与跨品类的设计趋势,再把2D方案快速转成3D,配合3D打印、消费者测试、货架模拟和工程仿真开展共创。过去,仅将2D设计制作成3D就可能需要一周,借助AI,跨团队如今在一天内就完成了从2D到3D、消费者测试和快速打样的全过程;新包装在此后约半年正式落地,并获得2026红点设计奖。

从分子筛选到防腐研究,再到一只洗衣液瓶子的设计,三个案例看似相距很远,却回答了同一个问题:AI如何改变研发资源的分配。多年科研积累负责提出好问题,针对性开发的私有AI智能体和模型进入日常研发,科学家进行关键判断,真实世界的实验或工程验证决定项目是否有价值。

这也是DermCosmos发布对行业的第二重影响:它并非只增加一个模型,而是有可能与既有AI工具、科研智能体和实验体系共同工作,把研发从单点提效推向流程重构。不过,流程越长,越需要清楚每一步的证据来自哪里。

从模型到产业价值,关键在证据链

基础模型与智能体工具日益普及,搭建一个AI应用的技术门槛也正在降低。但对DermCosmos来说,真正困难的并不只是把模型建立起来,而是让它在不同细胞背景、不同干预条件和真实实验中持续接受检验。

答案之一,是一条能够持续回流的“数据链”。

AI模型给出的高分预测,真到了实验台上,并不必然转化为有效结果;在未曾见过的细胞背景和干预场景中,模型的泛化能力尤其需要独立检验。一项覆盖27种方法、29个数据集和6类性能指标的基准研究,也强调了跨场景评价的重要性[10]。哪些候选值得继续,哪些指标必须观察,结果偏离预期时该修正模型还是重设实验,这些问题无法只靠调节某几个模型参数解决。真正的决策点在于“数据链”是否完整:只有让模型预测与真实实验数据持续相互校准,AI解决问题的能力才有提升的依据。

这也是四方在发布DermCosmos的同时启动“AI驱动化妆品安全与功效评价的创新与共识”联合研究的原因之一。据《FBeauty未来迹》了解,联合利华负责投入皮肤与头皮生物学、活性成分、配方科学等湿实验能力;上海交通大学与数元纪提供数学建模和AI研究能力;广州质量检验研究院带来检测评价与标准制修订经验。四方希望形成一条从“虚拟预测”到“实验室验证”再到“真实世界评价”的完整数据链。

陈洛南团队此前与联合利华合作开展的一项UVB皮肤研究,已经让这条数据链显露出清晰轮廓。

研究采用3D皮肤等效模型,设置UVB照射组与无照射对照组,并在多个时间点连续采样。科研人员以景观动态网络标志物方法(l-DNB)分析时间序列转录组数据,在这项研究体系内,将第6天第1小时识别为皮肤响应反复UVB照射的临界点,并进一步筛选出13个核心DNB基因[11]。

随后,同一种干预被放在两个不同的时间点。论文报告的独立体外验证显示,临界点前使用USBT2627,皮肤亮度指标L*值较快出现显著改善;临界点后再给予同样干预,则未观察到显著变化[11]。

在这项研究中,成分没有变,但时机变了,结果也随之改变。这项研究由此帮助研发人员看见一个过去容易被忽略的问题:有效的干预,不只是“用什么”,还可能是“什么时候用”。

这项结果虽不能直接外推为任何产品的人体功效结论,却为“数据链”的重要性提供了直观注脚。AI模型负责寻找可能的窗口,实验负责检验窗口是否成立;如果只有模型,临界点只是计算结果,如果只有实验,研发又可能回到大规模试错。二者贯穿,形成数据回流链路,才能让一次次实验成为下一轮判断的依据。如果把AI模型看作一台发动机,“数据链”则是让发动机持续运转的燃料。

“AI驱动化妆品安全与功效评价的创新与共识”联合研究启动仪式

以此看来,DermCosmos的影响可以归纳为以下五个方面;每一项影响,也都有对应的验证前提。

回到最初的问题:全球首个皮肤专属虚拟细胞世界模型的发布,对化妆品研发有何影响?最直接的答案,是它让研发从“寻找一个有效成分”,向“理解并预测皮肤状态变化”再迈进一步;更深层的答案,则是它可能改变实验资源、科学证据与产业协作的组织方式。

联合利华的AI for SASSY Innovation让这种变化有了产业实践上的具体落点:科学智能连接知识发现与活性物研究,美学包装、敏捷创新和科学传播把AI延伸到产品落地的更多环节;陈洛南团队与合作方则试图为模型补上动态预测、临界识别与实验校准的方法基础。

不过,模型并不替科学家作最后判断,它更现实的价值,是帮助研发人员把有限的时间与实验资源,投向更值得验证的问题。

当然,DermCosmos是否真的会改变美妆行业的研发方式,目前并不能下定论。它最终要经过更多独立数据、更多真实实验和更多产品结果的反复检验。美妆研发不会因为AI而告别试错,但有可能少在黑暗里试错。真正值得关注的是,谁能把一次次实验的数据沉淀为下一轮判断的证据,形成真实实验数据和虚拟推演数据的完整数据链闭环,谁才可能真正改写化妆品研发的底层逻辑。

参考文献

[1] ZOU Z, LONG X, ZHAO Q, et al. A single-cell transcriptomic atlas of human skin aging[J]. Developmental Cell, 2021, 56(3): 383-397.e8. DOI: 10.1016/j.devcel.2020.11.002.

[2] SOLÉ-BOLDO L, RADDATZ G, SCHÜTZ S, et al. Single-cell transcriptomes of the human skin reveal age-related loss of fibroblast priming[J]. Communications Biology, 2020, 3(1): 188. DOI: 10.1038/s42003-020-0922-4.

[3] STÅHL P L, SALMÉN F, VICKOVIC S, et al. Visualization and analysis of gene expression in tissue sections by spatial transcriptomics[J]. Science, 2016, 353(6294): 78-82. DOI: 10.1126/science.aaf2403.

[4] CHEN Z, TIAN S, PEI J, et al. UniCure: A multi-modal model for predicting personalized cancer therapy response[J]. Cancer Cell, 2026, 44(10): 1997-2010.e11. DOI: 10.1016/j.ccell.2026.07.010.

[5] LIU X, CHANG X, LENG S, et al. Detection for disease tipping points by landscape dynamic network biomarkers[J]. National Science Review, 2019, 6(4): 775-785. DOI: 10.1093/nsr/nwy162.

[6] ZHANG C, CAI D, AIHARA K, et al. CauTrigger: deciphering biological system state transitions by hierarchical causal decomposition[J]. Nature Methods, 2026, 23(11): 2169-2180. DOI: 10.1038/s41592-026-03274-9.

[7] SCHOBER P, BOER C, SCHWARTE L A. Correlation coefficients: Appropriate use and interpretation[J]. Anesthesia & Analgesia, 2018, 126(5): 1763-1768. DOI: 10.1213/ANE.0000000000002864.

[8] YU Y, CAI C, WANG J, et al. Uni-Dock: GPU-accelerated docking enables ultralarge virtual screening[J]. Journal of Chemical Theory and Computation, 2023, 19(11): 3336-3345. DOI: 10.1021/acs.jctc.2c01145.

[9] YANG M, BO Z, XU T, et al. Uni-GBSA: An open-source and web-based automatic workflow to perform MM/GB(PB)SA calculations for virtual screening[J]. Briefings in Bioinformatics, 2023, 24(4): bbad218. DOI: 10.1093/bib/bbad218.

[10] WEI Z, WANG Y, GAO Y, et al. Benchmarking algorithms for generalizable single-cell perturbation response prediction[J]. Nature Methods, 2026, 23(2): 451-464. DOI: 10.1038/s41592-025-02980-0.

[11] ZHANG C, ZHANG H, GE J, et al. Landscape dynamic network biomarker analysis reveals the tipping point of transcriptome reprogramming to prevent skin photodamage[J]. Journal of Molecular Cell Biology, 2022, 13(11): 822-833. DOI: 10.1093/jmcb/mjab060.

本文为FBeauty未来迹原创作品,未经书面授权许可,不得转载或通过技术抓取用于AI训练。

作者/文书桓

编辑/吴思馨

排版/阳艳

财经自媒体联盟更多自媒体作者

新浪首页 语音播报 相关新闻 返回顶部