AIDO: En AI-drevet 'digital organisme' der skal simulere hele menneskekroppen

Idéen er, at informationen kan flyde mellem niveauerne. En ændring i DNA'et (f.eks. et CRISPR-indgreb) kan således spores op gennem proteinfunktion, celleadfærd og vævsrespons og til sidst forudsige kliniske resultater. Forskerne kalder det en 'flysimulator for medicin' .

GenBio AI's næste mål: Den virtuelle celle

GenBio AIs kortsigtede fokus er at bygge en 'virtuel celle' – en AI-verdensmodel, der kan forudsige, simulere og i sidste ende programmere cellers adfærd på tværs af biologiske skalaer .

Det helt konkrete værktøj hedder VCHarness, et autonomt agentisk system, der kan bygge, teste og forfine AI-modeller af menneskeceller. Virksomheden rapporterer, at VCHarness kan opdage nye arkitekturer på dage i stedet for måneder .

For at skalere dette arbejde indgik GenBio AI i juni 2026 et formelt samarbejde med NVIDIA. Planen er at integrere AIDO med NVIDIAs BioNeMo-platform, Megatron til distribueret træning og BioNeMo Agent Toolkit .

Sammenligning: AIDO vs. Chan Zuckerberg BioHubs virtuelle celleplatform

Kort sagt: AIDO sigter mod en mere vertikalt integreret stak, men er startup-drevet og delvist lukket. CZI's tilgang er mere fokuseret på det cellulære lag, er stærkt åben og bakket op af en langt større filantropisk forpligtelse.

Anerkendte begrænsninger og udfordringer

Forskerne bag AIDO er ærlige omkring de store forhindringer, der stadig står i vejen :

• Skæve og ufuldstændige træningsdata. Modellerne er kun så gode som de data, de trænes på. Hvis data underrepræsenterer bestemte befolkningsgrupper eller sygdomme, vil 'den digitale organisme' producere upålidelige forudsigelser .
• Patientvariation. Genetisk baggrund, miljø, livsstil og andre sygdomme skaber enorm variation. En enkelt model, der dækker alle mennesker, er en ekstrem udfordring .
• Årsagssammenhænge (kausal inferens). Fundamentale AI-modeller er i bund og grund korrelationsmaskiner – de lærer statistiske mønstre, ikke årsagssammenhænge. At gå fra 'forudsige hvad der sker' til 'forstå hvorfor' kræver integration af kausale rammer, hvilket traditionel ML stadig kæmper med .
• Beregningskraft og data. At simulere en hel organisme med tilstrækkelig detaljegrad kræver enorme computerressourcer og data, som endnu ikke findes .
• Validering. At bevise, at en digital organismes forudsigelser holder stik i virkelige biologiske systemer, er en grundlæggende hurdle .