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:

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 .

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:

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 .