Jak postavit AI-driven digitální organismus: Nový plán pro simulaci biologie od molekul po celý organismus

Nový přehledový článek v prestižním časopise Nature Medicine s názvem „How to build an AI-driven digital organism“ od autorů Erika Xinga, Erana Segala, Le Songa a kolegů představuje podrobný plán pro vývoj tzv. AI-Driven Digital Organism (AIDO) . Jedná se o systém integrovaných multiscale foundation modelů navržený k predikci, simulaci a programování biologie od úrovně jednotlivých molekul až po celé organismy . Hlavním cílem je posunout biologický a medicínský výzkum od pomalého, nákladného a ad hoc experimentování k efektivnímu, strukturovanému in silico zkoumání v rámci naučeného „světového modelu“ biologie . První fáze projektu AIDO byla společností GenBio AI uvolněna již v prosinci 2024 . Článek však otevřeně přiznává i značné překážky, mezi které patří zkreslená trénovací data a obrovská výzva v podobě integrace heterogenních biologických datových souborů .

Plán a architektura: Modulární skladba foundation modelů

AIDO není jediný model, ale modulární, propojitelný a holistický systém foundation modelů založených na architektuře transformer, z nichž každý je specializován na jednu biologickou úroveň :

• AIDO.DNA – modeluje genomovou sekvenci a vytváří základ pro pochopení genetických variací a jejich dopadů .
• AIDO.RNA – model s 1,6 miliardami parametrů, předtrénovaný na 42 milionech nekódujících RNA sekvencí s rozlišením na úrovni jednotlivých nukleotidů .
• AIDO.Protein – učí se sekvenci, strukturu a funkci proteinů .
• AIDO.Cell – série encoder-only hustých Transformer modelů s až 650 miliony parametrů, předtrénovaná na 50 milionech lidských buněk z různých tkání a pokrývající přibližně 20 000 genů na buňku .
• AIDO.Tissue – modeluje chování na úrovni tkání a buněčné interakce .
• AIDO.Biology – zastřešující vrstva „světového modelu“, která integruje všechny nižší úrovně a simuluje výsledky na úrovni organismu .

Klíčovým konstrukčním prvkem je, že tyto moduly jsou vzájemně propojitelné – jediný zásah, jako je nová léčivá látka nebo genetická úprava, může být logicky sledován napříč úrovněmi: od molekulární interakce přes buněčnou odpověď a tkáňový efekt až po predikovaný zdravotní výsledek .

Cíl: Multiscale simulátor a „světový model“ biologie

Hlavní ambicí je vytvořit výpočetní „světový model“ biologie, který by simuloval, jak se změna na úrovni DNA šíří přes proteiny, buňky a tkáně až k fenotypům na úrovni organismu . To by výzkumníkům umožnilo:

• Simulovat nemoci a komplexní biologické procesy počítačově, čímž by se obešly roky laboratorních experimentů .
• Předpovídat účinky léků a jejich toxicitu ještě před zahájením laboratorních testů, což by dramaticky zúžilo okruh kandidátů, kteří musí být fyzicky testováni .
• Rychle testovat miliony in silico zásahů a zúžit okruh kandidátů pro experimentální ověření pouze na ty nejslibnější .

Projekt je popisován jako budování „letového simulátoru“ pro medicínu, kde by vědci mohli experimentovat virtuálně, než se pustí do reálných experimentů .

Srovnání s jinými projekty virtuálních buněk

Myšlenka AI-driven virtuální buňky není unikátní pouze pro tým AIDO. Chan Zuckerberg BioHub (CZI) ve spolupráci se Stanfordem a Genentech zveřejnil souběžný přehledový článek v Nature (prosinec 2024) o AI virtuálních buňkách (AIVC) – multiscale, multimodálních velkých neuronových sítích určených k reprezentaci molekul, buněk a tkání . CZI také uspořádalo workshop o virtuálních buňkách, který identifikoval mnoho stejných překážek, včetně heterogenity dat, šumu, problémů s reprodukovatelností a potřeby lepších multimodálních benchmarků .

Hlavní rozdíly mezi těmito dvěma vlajkovými projekty:

Dimenze	AIDO (GenBio AI / CMU)	AIVC (CZI / Stanford / Genentech)
Rozsah	Celý organismus (DNA → buňky → organismus)	Primárně buněčná a tkáňová úroveň
Základní koncept	„Světový model“ biologie, modulární, ale propojitelný	Velká neuronová síť pro buněčné stavy
Vedoucí organizace	GenBio AI (Eric Xing, Le Song, Eran Segal)	Chan Zuckerberg BioHub (T. Karaletsos, S. Quake, J. Leskovec, A. Regev)
Fáze vývoje	Fáze 1 uvolněna v prosinci 2024 s 6 předtrénovanými modely	Stále ve fázi vize/návrhu s workshopy

Navzdory rozdílům v rozsahu a fázi sdílejí oba projekty stejný zásadní problém: integraci vysoce heterogenních omických dat – single-cell RNA-seq, proteomiky, epigenomiky, metabolomiky – do jednotných, koherentních modelů .

Uznaná omezení

Článek o AIDO a související zpravodajství identifikují několik významných omezení, která mírní prvotní nadšení :

• Zkreslená a neúplná trénovací data: Současné biologické datové soubory jsou silně vychýleny směrem k dobře prozkoumaným buněčným liniím, běžným chorobám a populacím evropského původu. To může zkreslovat předpovědi modelů a potenciálně prohlubovat demografické nerovnosti ve zdravotní péči .
• Variabilita pacientů: Lidská biologická rozmanitost napříč genetickým pozadím, věkem a zdravotním stavem je obrovská a stávající trénovací kohorty ji špatně zachycují. Autoři výslovně upozorňují, že modely mohou selhat při zobecňování na nedostatečně zastoupené populace .
• Integrace heterogenních dat: Slučování dat napříč modalitami – od transkriptomiky po proteomiku, zobrazování a klinické záznamy – zůstává technicky obtížné kvůli rozdílům v měřítku, šumu v měření a vzorcům chybějících dat .
• Nedostatek standardizovaných benchmarků: Bez hodnotících rámců napříč doménami je obtížné objektivně srovnávat modely z různých skupin nebo posuzovat jejich robustnost v reálném světě .

Aplikace: Filtrování kandidátů na léčiva a reakce na epidemie

Jako nejbližší cíle pro AIDO jsou nejvýrazněji zdůrazněny dvě aplikace :

• Filtrování kandidátů na léčiva: AIDO by mohl simulovat miliony sloučenin in silico a předpovídat jejich molekulární vazbu, buněčnou odpověď, toxicitu na úrovni tkání a účinnost na úrovni organismu ještě před jakoukoliv laboratorní prací. To by dramaticky zúžilo okruh kandidátů vyžadujících experimentální testování, čímž by se snížily jak náklady, tak míra selhání v preklinickém vývoji .

• Urychlení reakcí na propuknutí infekčních nemocí: Protože je systém modulární a trénovaný na základních biologických vzorcích (nikoli jen na jednom patogenu), mohl by být rychle přizpůsoben k modelování nového viru nebo bakteriální hrozby. Výzkumníci by mohli simulovat dynamiku infekce, testovat knihovny existujících léků pro jejich repurposing a předpovídat imunitní odpovědi v rámci virtuálního organismu během dnů nebo týdnů místo měsíců .