谢丽鹿做细胞生物学研究的人，多多少少都会遇到一个尴尬：实验做到一半，想验证某个猜想，但没法在体外或者体内做足够的重复，成本高、周期长、变量还难控制。我大概从六年前开始用 CompuCell3D 做细胞群体动力学仿真，零几年就在 GitHub 和论文里见过这个项目，但真正上手之后才发现，它远比想象中能打。无论是肿瘤球生长、免疫细胞趋化、还是组织形态建成，都能用一套统一的格子自动机框架搭起来。
这篇是这个系列里的第十二篇，前几篇我陆续讲过软件安装、核心 XML 语法、Python 组件封装和 2D/3D 建模差异，这一篇重点落在生物学应用案例分析。简单说，就是抛开空泛的术语，把几个真实能做、能复现、能出文章的案例拆开揉碎，让你看完就知道怎么把实验问题翻译成仿真模型，也让大家避开我当年踩过的坑。
1. 内容整体设计与思路拆解
1.1 为什么是格子框架而不是连续方程
很多人第一次接触 CompuCell3D 会困惑，为什么不是用偏微分方程模拟细胞密度，偏偏要用格子。实话说，连续模型在处理大尺度、平均化的群体行为时效率很高，但它的短板也很明显：拿它描述单个细胞的形变、极化、分裂方向几乎不可能做细。而格子自动机，尤其是 Cellular Potts Model（CPM），是直接在离散格子上模拟“每一个细胞”，细胞占据一组格子，细胞膜接触、黏附、骨架张力都可以量化成能量项。
这个本质差别决定了你能问出什么样的生物学问题。举个例子，你想模拟肿瘤细胞在基质中迁移时如何根据基质刚度改变自身形态，用连续模型你把细胞当成点，没有任何形态可言；但在 CPM 里，细胞是一块会变形的“像素团”，前端扩张、后端收缩都是自然涌现的行为。正是这种“自下而上”的构建逻辑，让 CompuCell3D 特别适合研究那些依赖局部相互作用、细胞形态变化的群体动力学问题。
1.2 配置层、计算层、分析层三段式结构
CompuCell3D 的架构其实很清晰：XML 文件负责定义模型结构和参数，Python 脚本负责控制模拟流程和保存数据，输出数据再用外部工具（比如 Paraview、Matplotlib、自建脚本）做可视化分析。我习惯把这种设计称为三段式结构。
用 XML 定义“格子空间多大、有哪些细胞类型、细胞之间的黏附系数是多少”，用 Python 写“在什么时间点让某个细胞分裂、什么时候加入化学信号物质”。这两层职责分明。仿真本身只负责跑模型，不做任何生物学解释，而分析层则把所有输出数据转成可讲故事的证据。
这套结构非常友好的一点是，模型参数和计算逻辑分离，换个参数不需要改代码，改 XML 标签就行，跑一批参数扫描也能方便地自动化执行。
1.3 案例选择的三条标准
在开始做应用案例之前，需要先明确选择标准。我个人的经验是，一个好的 CompuCell3D 生物学案例至少要满足三条：第一，生物学机制相对清晰，能对应到具体的能量项或者调度事件；第二，实验数据可用于定性与定量对比，也就是仿真的结果要和真实显微镜观测或者定量实验有可比性；第三，模型复杂度适中，在笔记本电脑上能跑得动。
基于这三点，结合 CompuCell3D 官方教程和我自己的复现经验，这一篇我选了三个经典且差异化的案例：肿瘤球生长中的增殖与营养限制、免疫细胞在趋化场中的定向迁移、以及棋盘格图案形成背后的细胞黏附分化。这三个案例覆盖了细胞生长、细胞移动、细胞分选三大类问题，也是组学研究和药物开发里最常见的仿真场景。
2. 核心细节解析与实操要点
2.1 细胞类型与能量项之间的对应关系
Cellular Potts Model 的仿真循环里，系统会不断尝试把某个格子的像素复制到相邻位置，然后用能量差来判断这次尝试是否接受。能量函数写得好不好，直接决定仿真结果的“生物合理性”。但很多新手最容易忽略的是：每个能量项都应该对应一个明确的生物学因素。
拿肿瘤球生长模型举例。你在模型里设置了 ContactEnergy，其实就是细胞膜上黏附分子（比如钙黏蛋白）带来的效应。VolumeEnergy 和 SurfaceEnergy 则相当于细胞体积可压缩性和膜张力的约束。当你把某个基因敲低后细胞变圆、黏附下降，体现到模型里就是修改这两项参数。这一步翻译得越准确，后续和实验对照就越有意义。
2.2 化学场与扩散偏置的引入方式
CompuCell3D 里支持外加化学场（比如趋化因子浓度场），可以是固定分布，也可以由 PDE 求解器动态生成。实际应用中，我最常用的方式是用 FlexibleDiffusionSolverFE 这个模块来计算化学物质在模拟空间里的扩散与降解。
有一点要注意：化学场的边界条件和初始分布，不能随便拍脑袋。比如你要模拟细胞聚集在损伤部位，那损伤部位的趋化因子浓度应该设在伤口周围形成梯度；如果你想模拟细菌群体在营养耗尽时停止增殖，就要给营养场设置消耗速率。不合理的场设置，会导致细胞行为完全偏离真实生物学，甚至出现“细胞往错误地方跑”的诡异现象。这类问题排查起来最费时间，因为表面上看参数都正常，实际是场源、降解率、扩散系数之间的耦合出了问题。
2.3 时间尺度与格子分辨率的匹配
CompuCell3D 的最小时间步是 MCS（Monte Carlo Step），一个 MCS 通常对应一到几分钟的真实生物学时间，具体取决于你模拟的是哪一类细胞。你可以用实验数据反推校准：如果体外实验中细胞每小时分裂一次，你的仿真也需要在对应 MCS 数内看到平均分裂一次。
格子分辨率同样重要，通常一个细胞的直径占 8~12 个格子像素比较合适。分辨率太低，细胞变形能力失真；分辨率太高，计算量骤增，性能堪忧。在我的实际经验里，2D 模型常见的格子尺寸是 200x200 到 500x500，3D 模型控制在 100x100x100 左右，这样即使跑参数扫描也不至于等太久。
3. 实操过程与核心环节实现
3.1 案例一：肿瘤球生长与营养限制模型
先说最常见的肿瘤球（spheroid）生长模拟。这个模型 2007 年就有经典文献出现，最近几年因为类器官和肿瘤微环境研究的火热，又重新被广泛使用。用 CompuCell3D 实现它的核心是定义两种细胞状态：增殖态和静止态，并让营养浓度决定细胞状态的切换。
XML 配置里可以这样定义初始细胞团：
xml复制<Potts>
<Dimensions x="200" y="200" z="1"/>
<Steps>5000</Steps>
<Temperature>3</Temperature>
</Potts>
<CellType>
<TypeName TypeId="0" Name="Medium"/>
<TypeName TypeId="1" Name="Tumor"/>
</CellType>
<ContactEnergy>
<Energy Type1="Medium" Type2="Tumor">10</Energy>
<Energy Type1="Tumor" Type2="Tumor">4</Energy>
</ContactEnergy>
<VolumeEnergy>
<Volume TargetVolume="25" LambdaVolume="8"/>
</VolumeEnergy>
<SurfaceEnergy>
<Surface TargetSurface="55" LambdaSurface="2"/>
</SurfaceEnergy>
注意，在二维模型里 z 维度设为 1。初始化时在模拟空间中央放一团半径约 10 格子的肿瘤细胞，默认状态标记为“增殖”。然后在 Python 步进模块里要做的判断是：每个细胞检测附近营养场浓度，如果低于阈值就切换到静止态，停止分裂，否则继续增殖。
Python 控制代码大致如下：
python复制from CompuCellSetup import sim, simulator
class GrowthSteering(SteppableBasePy):
def __init__(self, _simulator, _frequency=1):
SteppableBasePy.__init__(self, _simulator, _frequency)
def step(self, mcs):
for cell in self.cellList:
if cell.type == 1:
concentration = self.getFieldConcentration("Nutrient", cell.xCOM, cell.yCOM)
if concentration < 0.05:
cell.targetVolume = cell.targetVolume
cell.lambdaVolume = 0 # 停止体积增长，模拟进入静止态
这里的核心逻辑是，用营养场浓度作为“门控信号”，控制细胞要不要发起分裂。因为分裂事件也涉及新细胞体积分配，我通常还会在分裂前检查细胞的实际体积是否超过目标体积乘以某个阈值（比如 1.2），避免细胞还没长大就裂开，导致出现不可控的体积骤降。
3.2 案例二：免疫细胞在趋化因子场中的定向迁移
第二个案例做免疫细胞的定向迁移。这类迁移通常由趋化因子浓度梯度驱动。和肿瘤球生长不同，这个案例的关注点不是“长多大”，而是“往哪走”，所以需要加入化学场和细胞极化机制。
化学场可以用 CompuCell3D 内置的 PDE 模块来生成，也可以自己在 Python 里初始化并注入：
python复制class ChemotaxisSteering(SteppableBasePy):
def __init__(self, _simulator, _frequency=1):
SteppableBasePy.__init__(self, _simulator, _frequency)
self.chem_field = self.getField("Chemokine")
def start(self):
for x in range(self.chem_field.getFieldSize()[0]):
for y in range(self.chem_field.getFieldSize()[1]):
concentration = 1.0 / (1.0 + ((x - 20) ** 2 + (y - 100) ** 2) ** 0.5)
self.chem_field.set(x, y, 0, concentration)
这里把高浓度放在左侧坐标 (20, 100) 附近，然后让细胞感知局部浓度梯度并沿梯度向上移动。为了让细胞有方向性，需要给细胞添加一个额外的“趋化偏置能量项”。
最常用的办法是为整个细胞添加化学势项，即：
python复制penalty = -1.0 * chemo_energy_scale * (concentration_new - concentration_old)
在 CPM 框架里，这意味着当一次像素尝试拷贝会让细胞移动到更高化学浓度的位置时，系统倾向于接受这次变化。通过调整 chemo_energy_scale，可以模拟不同灵敏度的细胞。实际跑完之后可以用轨迹追踪数据计算细胞位移、速度自相关和趋化指数，这刚好和体外 transwell 实验或者微流控实验的数据对接。
3.3 案例三：棋盘格图案形成与细胞分选
第三个案例选自经典发育生物学问题：两种细胞混合后如何自发形成棋盘格或岛状图案。这个现象源于不同细胞之间的黏附强度差异，最著名的模型就叫 differential adhesion hypothesis。用 CompuCell3D 模拟这个过程很简单，但解释结果时特别有意思。
只需要设置两种细胞类型 A 和 B，然后把同型黏附力设得比异型黏附力强，模拟随机混合后，A 和 B 会自发分选，形成聚集块，甚至可能形成“包围-被包围”的结构。参数上，关键在于三组接触能量的相对大小：
xml复制<ContactEnergy>
<Energy Type1="Medium" Type2="A">20</Energy>
<Energy Type1="Medium" Type2="B">20</Energy>
<Energy Type1="A" Type2="B">18</Energy>
<Energy Type1="A" Type2="A">2</Energy>
<Energy Type1="B" Type2="B">2</Energy>
</ContactEnergy>
这里 A-A 和 B-B 的低能量值意味着它们倾向于聚在一起，A-B 高能量值意味着两种细胞不喜欢混合。初始化时可以用随机撒点的方式，在中心区域均匀混合放置两种细胞，模拟几百步之后就能看到明显的分选现象。
这个案例特别适合用来验证你对能量参数的理解，因为参数关系和最终图案之间存在非常清晰的映射。如果想更进阶，你还可以加入第三种“祖细胞”类型，让它在模拟过程中随机分化为 A 或 B，观察谱系决定与空间竞争之间的耦合效果。
4. 常见问题与排查技巧实录
4.1 仿真发散或细胞碎裂
这大概是我被问过最多的问题。细胞在模拟过程中突然碎成几个小块，或者体积忽大忽小，通常是能量函数中的约束强度单位出了问题。LambdaVolume 设置太高，会把细胞体积死死钉在目标值附近，但是 CPM 的格子更新本质上是一个随机过程，当邻域里没有合适的新位置接受一次更新时，细胞就可能在局部被“撕开”。
解决办法是先降温度 Temperature，再降 LambdaVolume。温度决定了系统接受能量增加尝试的概率，温度过高会让细胞膜剧烈波动，和真实细胞硬得不像话的情况相反。经验上，2D 模型里 Temperature 从 2~5 起步，LambdaVolume 从 5~15 起步，再根据实际形态微调。
4.2 细胞不分裂或分裂方向异常
另一个高频问题：细胞满足了分裂条件却不分裂，或者分裂后子细胞的位置完全不合常理。这通常是因为没有在 XML 里注册 Mitosis 插件，或者分裂事件里没有加随机扰动。CompuCell3D 的分裂默认会沿着细胞的某个主轴方向，但默认计算可能与你的像素团形状不对称有关。
我习惯在分裂时手动指定偏移方向，并且加一个随机扰动角，这样更贴近真实生物学里的纺锤体朝向随机性：
python复制cell_to_split = cell
random_angle = random.uniform(0, 2 * math.pi)
self.divideCellRandomOrientation(cell_to_split, random_angle)
注意 divideCellRandomOrientation 这个 API 在不同版本里名称可能有变化，建议先查看你本地安装版本的帮助文档，避免直接复制旧代码踩坑。
4.3 结果不稳定，每次跑出来的图案差异很大
这个问题背后分两种情况：一是真正因为随机种子变化而改变；二是你的模型参数处于临界状态，系统对初始条件和涨落高度敏感。如果是第一种，你只需要固定随机种子：
python复制CompuCellSetup.setRandomSeed(12345)
第二种情况则更麻烦，意味着你的模型出现了类似“相变”的临界行为。这时候要做的是参数敏感性分析，画出某个关键参数在不同取值下输出指标的箱线图。比如前面提到的棋盘格分选案例，改变 A-B 接触能量从 16 到 20，分选时间和最终图案可能差异极大。不要试图只跑一次就下结论，至少重复 5~10 次取统计特征。
5. 性能优化与批量仿真经验
5.1 从单次仿真到参数扫描
真实的研究过程里，几乎没有“跑一次模型就出结论”的情况。生物学参数天然有波动，你需要跑参数扫描来确认哪些参数主导行为。我一般习惯把参数扫描任务交给 Python 脚本批量调用命令行完成。
在文件夹里放一个二维数组的配置模板，然后循环替换 Temperature、ContactEnergy 等参数，多次调用 CC3D 的命令行工具。这里有个小技巧：把仿真输出控制为只保存关键时间点的快照，而不是每个 MCS 都存，否则磁盘 IO 会成为最大瓶颈。新版的 CompuCell3D 也支持压缩输出，能节省不少体积。
5.2 2D 与 3D 的选择策略
能用 2D 模型解决的，尽量别直接上 3D。3D 模型的格子数量呈立方增长，跑一次的时间可能是 2D 的几十倍以上。我刚入门时吃过一次亏，用 3D 模型模拟血管生成，一个参数组合跑了整整三天，后来改成 2D 切片模型，半天就能扫描完一个参数空间。最终选 2D 还是 3D，取决于你要回答的生物学问题是否需要三维拓扑信息。比如你想讨论血管横截面的管腔结构，那必须用 3D；如果你只关心细胞在平面基质上的迁移轨迹，2D 足够。
5.3 利用 HDF5 输出做高效分析
CompuCell3D 支持 HDF5 格式的输出，这个格式在后续大数据分析时优势很大。Python 可以直接用 h5py 读取每一帧的像素标注矩阵，一次性读入整个时间序列做轨迹提取、形状描述子计算或者机器学习。我个人的工作流是：仿真输出 HDF5，然后写一个 Jupyter Notebook 把关键指标（细胞数量、平均体积、迁移位移、接触面积）批量算好，最后再用 Paraview 渲染出演示视频。这套流程几乎可以复制到任何其他案例中。
6. 把仿真和实验数据对接起来
6.1 从显微镜图像到初始网格
仿真做得再漂亮，不和实验数据对照，价值就大打折扣。最简单有效的对照方式，是把显微镜图像中的细胞位置和大小映射到初始网格里。比如你用 ImageJ 分割出细胞核的中心坐标和半径，然后直接在 CompuCell3D 里生成对应的细胞并设置好初始位置。
我写过一个小工具函数，能读取 CSV 里的细胞坐标、半径和类型，再在仿真空间里以对应半径画圆并标记细胞类型。这样做的好处是，仿真完全从实验观测的真实初始状态开始，而不是从理想化的对称几何形状开始，后期的结果自然更具说服力。
6.2 指标对比与调参方向
常见的可量化指标包括细胞增殖曲线、细胞迁移速度和方向性、细胞分选后的聚集大小分布等。把这些指标与实验数据放在同一张图表里，通过不断微调能量参数来逼近实验曲线。这里一定要小心“过拟合”问题：调参调得太精细，拟合得几乎完美，反而失去了模型作为解释工具的意义。一个好的参数组合应该是稳健的，哪怕参数上下浮动 10%，宏观行为仍然一致。
我在实际项目里，更倾向于用“先定范围、再随机搜索、最后对关键参数做敏感性分析”的三步法，而不是手动一个一个试参数。这样既省时间，又不容易陷入局部最优。
6.3 模型的局限性与解释边界
最后说点清醒的话。CompuCell3D 再强大，也不是万能的。它适合做机制性探索，不适合做定量预测。比如你很难用它精确预测某一种药物在不同浓度下肿瘤球的最终体积，因为这个模型中的能量参数并非直接来自物理化学测量，而是抽象的生物学行为归纳。想要做定量预测，通常需要把 CPM 和基于常微分方程的药代动力学模型耦联起来，前者描述细胞行为，后者描述药物浓度变化，两者之间通过界面参数通信。
理解这个边界，不仅能避免把辛辛苦苦跑出来的仿真结果过度解读，也能让文章和答辩更经得起推敲。我见过不少初学者，把仿真结果当成“真实数据”来证明一个生物学机制，其实仿真只能告诉你“这个机制在模型假设下是否足以解释观察结果”，它是一个逻辑验证工具，而不是实验替代品。
我个人在实际操作用体会最深的一点是：CompuCell3D 的入门曲线不算平缓，但一旦你理解了三段式架构和能量项的生物对应关系，后面的应用是举一反三的。如果你正在纠结某个群体动力学问题，不妨先从最小的 2D 模型开始，把核心机制跑通后再慢慢加复杂度。用这种思路做出来的模型，通常既可靠又有说服力。