iPSC衍生的功能细胞，现在确实正在被AI拉到一个更接近原生细胞的成熟水平。但这句话得拆开看：AI不是直接让细胞“变成熟”，而是把重编程和分化里最乱、最最费经验的参数空间，压缩成可搜索、可预测、可验证的工程问题。

过去做iPSC重编程，最麻烦的不只是把体细胞拉回多能状态，而是拉回去之后，细胞到底够不够干净、够不够稳定、能不能再被可靠地分化成目标功能细胞。山中伸弥最初那套四因子方案打开了大门，但传统组合里有些因子本身就有安全风险，比如c-Myc和肿瘤相关通路有关。后来大家慢慢意识到，效率不是唯一指标，质量才是。有些重编程组合效率低，但得到的iPSC克隆基因组更稳定、多能性更可靠。

AI介入之后，变化主要发生在三个层面。

第一层是因子和配方的筛选。重编程和分化涉及转录因子、小分子、生长因子、浓度、时序、培养基、传代节奏，变量多到人工试错几乎不可能穷尽。西湖大学和阿里达摩院做的“归元”模型，就是针对这类组合优化问题：它把小分子药物的结构信息和生长因子等蛋白序列信息一起编码，再从近400万种潜在组合里预测哪些方案更可能把细胞推到目标状态。按模型推荐方案，研究团队获得了高质量的下胚层样干细胞，分子特征与天然下胚层细胞高度相似，且体外传代超过50代仍保持干细胞特性。这类结果说明，AI能帮研究者更快找到接近胚胎发育状态的细胞诱导条件。

第二层是分化过程的可视化质控。iPSC分化成多巴胺神经元、心肌细胞、视网膜色素上皮细胞等功能细胞时，最大的痛点是批次不稳定。一个培养皿看着差不多，最后产出的细胞纯度、功能成熟度可能差很多。广州瑞臻再生医学联合中国科学院香港创新研究院发布的RC-GPT，就是把AI嵌进分化生产线：通过明场图像、组学特征和时序数据，提前预判终末产品质量，甚至能在分化早期就判断这一批细胞能不能达到预期。它还能做批次可比性监控和谱系保真分析，这对临床级细胞产品尤其重要。

第三层是蛋白因子本身的优化。OpenAI和Retro Biosciences的合作显示，AI可以重新设计重编程因子。他们用生物专用模型改造了Sox2和Klf4，得到RetroSOX和RetroKLF等变体，部分变体在多能性标志物表达上比天然蛋白强很多，还能让重编程更早启动、DNA损伤信号更低。这不是简单替换因子，而是让AI去理解蛋白序列和功能之间的关系，再反过来生成更合适的重编程工具。

这些进展确实让iPSC衍生细胞更接近原生细胞，但“接近”和“等同”之间还有距离。

很多iPSC分化细胞仍然带有胎儿样特征。神经元可能缺少成体神经元的电生理成熟度，心肌细胞可能没有成体心肌那样稳定的钙处理和代谢模式，肝脏类器官也常常存在成熟度不足、非实质细胞整合不够的问题。AI能显著改善分化路径、提高纯度、缩短试错周期，但细胞最终成熟还依赖微环境、机械刺激、电刺激、共培养、体内移植等多种因素。换句话说，AI把“配方”和“过程”管得更精细了，但细胞要真正长成成体状态，仍离不开生理层面的训练。

更现实的意义在于，AI让iPSC从经验驱动转向数据驱动。以前一个分化方案能不能跑通，很大程度上看实验室手感；现在可以通过图像、转录组、蛋白表达和批次数据建立预测模型。帕金森病用的多巴胺神经元前体细胞、心衰治疗用的心肌细胞、糖尿病相关的胰岛细胞，都在往标准化生产走。日本已经批准了iPSC衍生细胞治疗产品，国内也有iPSC衍生心肌细胞、多巴胺能神经前体细胞等进入临床研究或申报阶段。这些产品要真正落地，靠的不是“能做出来”，而是每一批都能稳定、安全、可追溯地做出来。

所以更准确的说法是：AI正在把iPSC重编程和分化从黑箱变成可计算的系统。它让功能细胞在身份、纯度、稳定性和部分功能指标上更接近原生细胞，也让临床级生产变得可预期。但它还没有把体外细胞完全变成体内成体细胞。真正值得关注的，不是AI能不能“一键成熟”，而是它能不能持续降低批次差异、提高细胞质量，并把那些原本依赖少数资深研究员经验的工艺，变成可复制的工业流程。