Technicky je AIDO postaven jako sada propojených modelů, z nichž každý je specializovaný na jednu biologickou úroveň :

• Úroveň DNA/RNA – např. model AIDO.RNA (1,6 miliardy parametrů, trénovaný na 42 milionech nekódujících RNA sekvencí s rozlišením na jednotlivé nukleotidy)
• Úroveň proteinových struktur – např. AIDO.StructureTokenizer (300milionový model VQ-VAE pro kódování proteinových struktur)
• Buněčná úroveň – např. AIDO.Cell (řada modelů s 3–650 miliony parametrů pro genovou expresi a buněčný stav)
• Úroveň tkání a orgánů
• Úroveň zdravotních výsledků a klinických dat

Tyto moduly jsou navrženy jako skládačka: informace v nich proudí mezi úrovněmi, takže zásah na úrovni DNA (např. editace CRISPR) lze propsat přes funkci proteinů, chování buněk a reakci tkání až k předpovězeným klinickým důsledkům .

Nejbližší cíl GenBio AI a spolupráce s NVIDIA

Hlavním praktickým cílem GenBio AI je v nejbližší době vytvořit „virtuální buňku“ – světový model umělé inteligence, který by dokázal předpovídat, simulovat a nakonec i programovat chování buněk napříč biologickými úrovněmi .

Klíčové výstupy, které společnost plánuje dodat:

• VCHarness – autonomní agentní systém, který samostatně vytváří, testuje a vylepšuje AI modely lidských buněk. Podle společnosti dokáže objevit nové architektury během dnů, nikoli měsíců .
• Formální spolupráce s NVIDIA oznámená v červnu 2026. GenBio AI plánuje využít čipy NVIDIA, nástroje pro vývoj modelů a agentní frameworky – konkrétně integraci s platformou NVIDIA BioNeMo, nástrojem Megatron pro distribuované trénování a sadou BioNeMo Agent Toolkit – k urychlení vývoje modelů virtuálních buněk .

Srovnání s přístupem Chan Zuckerberg BioHub

Stručně řečeno: AIDO usiluje o vertikálně integrovanější zásobník celého organismu, ale je financován start-upem a částečně proprietární. Přístup CZI je více zaměřen na buněčnou vrstvu, silně se opírá o otevřenou vědu a je podpořen mnohem větším filantropickým závazkem.

Uznávaná omezení a výzvy

Autoři článku v Nature Medicine a souvisejících technických publikací otevřeně přiznávají několik zásadních problémů:

• Zkreslená a neúplná trénovací data. Modely jsou jen tak dobré, jako data, na kterých se trénují. Pokud trénovací data nedostatečně reprezentují určité populace, etnika nebo nemoci, bude digitální organismus poskytovat zkreslené nebo nespolehlivé předpovědi. Odborná literatura k AI v medicíně uvádí, že nedostatečná velikost vzorků pro určité skupiny pacientů vede k neoptimálnímu výkonu a klinicky bezvýznamným předpovědím .
• Variabilita pacientů. Individuální genetické pozadí, prostředí, životní styl a přidružená onemocnění vytvářejí obrovskou heterogenitu. Jediný „digitální organismus“, který by zobecňoval na všechny lidi, je extrémní výzvou; autoři poznamenávají, že přizpůsobení konkrétnímu pacientovi zůstává otevřeným problémem .
• Kauzální inference. Základní modely jsou v jádru korelační motory – učí se statistické vzorce v datech, nikoli kauzální mechanismy. Autoři uznávají, že přechod od „předpovídání, co se stane“ k „pochopení, proč se to děje a jaký zásah by změnil výsledek“ vyžaduje integraci rámců pro kauzální usuzování, s čímž tradiční strojové učení bojuje . Širší literatura potvrzuje, že korelační umělá inteligence v biologii často funguje jako „černá skříňka“ a že kvantifikace kauzálního účinku zásahů je samostatný, nevyřešený problém .
• Měřítko a výpočetní výkon. Simulace celého organismu s dostatečnou věrností vyžaduje obrovské výpočetní zdroje a data, která v potřebném měřítku dosud neexistují .
• Validace. Dokázat, že předpovědi digitálního organismu platí v reálných biologických systémech a že zobecňuje i mimo svou trénovací distribuci, je zásadní překážkou, kterou se obor teprve učí překonávat .

Technicky je AIDO postaven jako sada propojených modelů, z nichž každý je specializovaný na jednu biologickou úroveň :

• Úroveň DNA/RNA – např. model AIDO.RNA (1,6 miliardy parametrů, trénovaný na 42 milionech nekódujících RNA sekvencí s rozlišením na jednotlivé nukleotidy)
• Úroveň proteinových struktur – např. AIDO.StructureTokenizer (300milionový model VQ-VAE pro kódování proteinových struktur)
• Buněčná úroveň – např. AIDO.Cell (řada modelů s 3–650 miliony parametrů pro genovou expresi a buněčný stav)
• Úroveň tkání a orgánů
• Úroveň zdravotních výsledků a klinických dat

Tyto moduly jsou navrženy jako skládačka: informace v nich proudí mezi úrovněmi, takže zásah na úrovni DNA (např. editace CRISPR) lze propsat přes funkci proteinů, chování buněk a reakci tkání až k předpovězeným klinickým důsledkům .

Nejbližší cíl GenBio AI a spolupráce s NVIDIA

Hlavním praktickým cílem GenBio AI je v nejbližší době vytvořit „virtuální buňku“ – světový model umělé inteligence, který by dokázal předpovídat, simulovat a nakonec i programovat chování buněk napříč biologickými úrovněmi .

Klíčové výstupy, které společnost plánuje dodat:

• VCHarness – autonomní agentní systém, který samostatně vytváří, testuje a vylepšuje AI modely lidských buněk. Podle společnosti dokáže objevit nové architektury během dnů, nikoli měsíců .
• Formální spolupráce s NVIDIA oznámená v červnu 2026. GenBio AI plánuje využít čipy NVIDIA, nástroje pro vývoj modelů a agentní frameworky – konkrétně integraci s platformou NVIDIA BioNeMo, nástrojem Megatron pro distribuované trénování a sadou BioNeMo Agent Toolkit – k urychlení vývoje modelů virtuálních buněk .

Srovnání s přístupem Chan Zuckerberg BioHub

Stručně řečeno: AIDO usiluje o vertikálně integrovanější zásobník celého organismu, ale je financován start-upem a částečně proprietární. Přístup CZI je více zaměřen na buněčnou vrstvu, silně se opírá o otevřenou vědu a je podpořen mnohem větším filantropickým závazkem.

Uznávaná omezení a výzvy

Autoři článku v Nature Medicine a souvisejících technických publikací otevřeně přiznávají několik zásadních problémů:

• Zkreslená a neúplná trénovací data. Modely jsou jen tak dobré, jako data, na kterých se trénují. Pokud trénovací data nedostatečně reprezentují určité populace, etnika nebo nemoci, bude digitální organismus poskytovat zkreslené nebo nespolehlivé předpovědi. Odborná literatura k AI v medicíně uvádí, že nedostatečná velikost vzorků pro určité skupiny pacientů vede k neoptimálnímu výkonu a klinicky bezvýznamným předpovědím .
• Variabilita pacientů. Individuální genetické pozadí, prostředí, životní styl a přidružená onemocnění vytvářejí obrovskou heterogenitu. Jediný „digitální organismus“, který by zobecňoval na všechny lidi, je extrémní výzvou; autoři poznamenávají, že přizpůsobení konkrétnímu pacientovi zůstává otevřeným problémem .
• Kauzální inference. Základní modely jsou v jádru korelační motory – učí se statistické vzorce v datech, nikoli kauzální mechanismy. Autoři uznávají, že přechod od „předpovídání, co se stane“ k „pochopení, proč se to děje a jaký zásah by změnil výsledek“ vyžaduje integraci rámců pro kauzální usuzování, s čímž tradiční strojové učení bojuje . Širší literatura potvrzuje, že korelační umělá inteligence v biologii často funguje jako „černá skříňka“ a že kvantifikace kauzálního účinku zásahů je samostatný, nevyřešený problém .
• Měřítko a výpočetní výkon. Simulace celého organismu s dostatečnou věrností vyžaduje obrovské výpočetní zdroje a data, která v potřebném měřítku dosud neexistují .
• Validace. Dokázat, že předpovědi digitálního organismu platí v reálných biologických systémech a že zobecňuje i mimo svou trénovací distribuci, je zásadní překážkou, kterou se obor teprve učí překonávat .