AIDO Cellin kaksi keskeistä ominaisuutta ovat monitasoisuus ja tilallisuus.

• Monitasoinen malli: Se yhdistää geneettisen tiedon, RNA:n ilmentymisen, proteiinit ja solun ilmiasun eli fenotyypin. Kun malliin lisätään häiriö, kuten geenin poistaminen tai lääke, sen on tarkoitus välittää vaikutus biologiselta tasolta toiselle – ei vain ennustaa muutosta yhdessä transkriptomidatassa.
• Tilallinen malli: Simuloitu solu säilyttää aiempien käsittelyjen seuraukset. Näin voidaan mallintaa tilanteita, joissa hoitojen järjestys vaikuttaa lopputulokseen: esimerkiksi ensin tehtyä geenin poistoa ja sen jälkeen annettua lääkettä tai toistuvia hoitoja. Jälkimmäinen vaste riippuu tällöin solun aiemmin muuttuneesta tilasta.

”Maailmanmallilla” tarkoitetaan tässä käytännössä järjestelmää, joka yrittää kuvata solun muuttuvia tiloja ja reaktioita peräkkäisten toimenpiteiden aikana – ei vain luokitella yhtä staattista biologista näytettä.

Miten se eroaa AlphaFoldista?

AlphaFold tunnetaan ennen kaikkea yksittäisten proteiinien rakenteen ennustamisesta. AIDO Cell tähtää laajempaan järjestelmätason kysymykseen: miten kokonaisen solun molekyylikoneisto toimii ja miten yhdessä biologisessa kerroksessa tapahtuva muutos vaikuttaa muihin kerroksiin.

Kyse ei siis ole siitä, että AIDO Cell korvaisi proteiinirakenteiden ennustamisen. Työkalut vastaavat eri kysymyksiin. AlphaFold pyrkii ennustamaan, miltä proteiini näyttää, kun taas AIDO Cell pyrkii tutkimaan, mitä solujärjestelmälle tapahtuu, kun sen molekyylisiä osia tai ulkoisia ärsykkeitä muutetaan.

AIDO Cell rakentuu myös GenBion aiemman yksisolumallityön päälle. AIDO.Cell-malliperhe koulutettiin noin 50 miljoonalla ihmissolulla, ja sen mallikoot vaihtelevat 3 miljoonasta 650 miljoonaan parametriin. Aiempi järjestelmä keskittyi ennen kaikkea solujen transkriptomiympäristön esittämiseen. Uusi virtuaalisolusuunta laajentaa tätä pohjaa kohti eri mittakaavat yhdistävää simulaatiota.

AIDO-ohjelman kolme vaihetta

AIDO Cell on osa GenBio AI:n laajempaa AI-Driven Digital Organism -ohjelmaa. Yhtiön tiekartta etenee kolmessa vaiheessa:

1. Hajota ja hallitse: rakennetaan erikoistuneita perusmalleja eri biologisille aineistoille ja mittakaavoille, kuten DNA:lle, RNA:lle, proteiineille, soluille ja kudoksille.
2. Yhdistä: liitetään mallit toisiinsa niin, että tieto, mallinnetut esitykset ja biologiset häiriöt voivat liikkua eri tasojen välillä.
3. Integroi, simuloi ja ohjelmoi: yhdistetyn järjestelmän avulla pyritään ennustamaan biologisia seurauksia ja myöhemmin suunnittelemaan toimenpiteitä biologisiin järjestelmiin. Tämä on AIDO-ohjelman pitkän aikavälin tavoite, ei nykyisen AIDO Cell -esiversion todistettu kyky.

GenBio on aiemmin kuvannut AIDOa monitasoisten mallien järjestelmäksi, joka kattaa muun muassa DNA:n, RNA:n, proteiinit ja yksisoluisen geenien ilmentymisen. Haasteena ei ole vain mallien kasvattaminen, vaan eri biologisten esitysten yhdistäminen tavalla, joka tuottaa hyödyllisiä, kokeellisesti testattavia ennusteita.

Mitä imatinibia koskeva esimerkki osoitti?

Ensimmäisessä tapaustutkimuksessaan GenBio kertoi AIDO Cellin toistaneen imatinibin tunnetut vaikutukset ja toimintamekanismin K562-leukemiasoluissa. Esimerkin tarkoituksena oli osoittaa, miten malli voi seurata lääkkeen vaikutuksia simuloidussa soluympäristössä.

Tulos on kiinnostava toimivuuden esimerkki, mutta sitä ei pidä tulkita ennakoivan validoinnin osoitukseksi. Tunnetun biologian jälkikäteinen toistaminen ei vielä osoita, että malli pystyisi ennustamaan aiemmin näkemättömän lääkevasteen, löytämään toimivan uuden yhdisteen tai päihittämään yksinkertaisemmat laskennalliset menetelmät. Julkisuudessa ei ole esitetty riittäviä tietoja esimerkiksi kvantitatiivisista tarkkuusmittareista, tilastollisista analyyseistä, vertailuista muihin menetelmiin tai ennakkoon tehdyistä kokeellisista testeistä.

Mitä solutyyppejä malli tukee?

Nykyinen AIDO Cell -esiversio tukee kahta kuolemattomaksi muunnettua ihmisen solulinjaa:

• K562, jota käytettiin imatinibia koskevassa tapaustutkimuksessa
• HepG2

GenBio on kertonut suunnittelevansa lisää solutyyppejä ja ominaisuuksia vuosille 2026–2027. Tämä rajaus on tärkeä, sillä muutaman kuolemattoman solulinjan tuloksia ei voi automaattisesti yleistää primaarisoluihin, kudoksiin tai potilaisiin.

Miten AIDO Cell voisi auttaa lääkekehityksessä?

Virtuaalisolu voisi tehostaa lääketutkimusta antamalla tutkijoille mahdollisuuden arvioida useita hypoteeseja ennen kuin jokainen niistä viedään laboratorioon. Periaatteessa mallilla voisi vertailla lääkeaihioita, kohdemolekyylejä, yhdistelmähoitoja ja hoitojen järjestystä sekä etsiä solureaktioita, jotka viittaavat tehoon, resistenssiin tai mahdollisiin kohdealueen ulkopuolisiin vaikutuksiin.

Lähiajan realistisin käyttötarkoitus onkin ehdokkaiden priorisointi. AIDO Cell voisi auttaa päättämään, mitkä yhdisteet ansaitsevat kalliimpia kokeita, mitä häiriöitä kannattaa testata ja missä kohdissa kokeellinen asetelma saattaa olla puutteellinen. Se voisi myös auttaa suunnittelemaan jatkokokeita, joissa tutkitaan, miten aiempi käsittely muuttaa myöhempää vastetta.

Kyse on siis suodattamisesta ja kokeiden suunnittelusta, ei kliinisestä varmuustakuusta. Solulinjoihin perustuva malli ei yksin kuvaa elimistön farmakokinetiikkaa, immuunijärjestelmän ja kudosten vuorovaikutuksia, potilaiden välistä vaihtelua, toksisuutta tai kliinisiä hoitotuloksia. Virtuaalisolu ei ole kokonainen virtuaali-ihminen, eikä tietokonesimulaatio voi korvata eläinkokeita, ihmisillä tehtäviä kliinisiä tutkimuksia tai viranomaisten edellyttämää näyttöä.

Ratkaiseva kysymys: ennustaako malli uutta biologiaa?

AIDO Cellin tärkein testi on ennakoiva validointi: pystyykö se ennustamaan vasteita, joita ei käytetty esimerkin rakentamiseen, ja kestävätkö ennusteet kontrolloidut laboratoriokokeet?

Ennen tällaisen näytön saamista AIDO Cellistä on perustelluinta puhua lupaavana virtuaalisen seulonnan ja kokeiden suunnittelun työkaluna. Sen monitasoinen ja tilallinen rakenne voi tehdä simulaatioista hyödyllisempiä kuin yksittäisiin molekyyleihin tai transkriptomiin keskittyvät mallit. Pelkkä arkkitehtuuri ei kuitenkaan todista ennustetarkkuutta. Tunnetun biologian toistamisen ja luotettavan uuden biologian löytämisen välinen kuilu on edelleen järjestelmän suurin tieteellinen haaste.

Saatavuus ja nykyinen vaihe

GenBio AI valmistelee varhaisen käyttöoikeuden yhteistyöohjelmaa akateemisille tutkijoille sekä biotekniikka- ja lääketeollisuuden toimijoille.

Tällä hetkellä AIDO Cell kannattaa nähdä kunnianhimoisena varhaisen vaiheen tutkimusjärjestelmänä: se voi auttaa rajaamaan kokeellista hakua ja priorisoimaan lääkeaihioita, mutta julkinen näyttö ei vielä oikeuta väitteisiin uusien hoitojen luotettavasta ennustamisesta tai biologisten kokeiden korvaamisesta.

AIDO Cellin kaksi keskeistä ominaisuutta ovat monitasoisuus ja tilallisuus.

• Monitasoinen malli: Se yhdistää geneettisen tiedon, RNA:n ilmentymisen, proteiinit ja solun ilmiasun eli fenotyypin. Kun malliin lisätään häiriö, kuten geenin poistaminen tai lääke, sen on tarkoitus välittää vaikutus biologiselta tasolta toiselle – ei vain ennustaa muutosta yhdessä transkriptomidatassa.
• Tilallinen malli: Simuloitu solu säilyttää aiempien käsittelyjen seuraukset. Näin voidaan mallintaa tilanteita, joissa hoitojen järjestys vaikuttaa lopputulokseen: esimerkiksi ensin tehtyä geenin poistoa ja sen jälkeen annettua lääkettä tai toistuvia hoitoja. Jälkimmäinen vaste riippuu tällöin solun aiemmin muuttuneesta tilasta.

”Maailmanmallilla” tarkoitetaan tässä käytännössä järjestelmää, joka yrittää kuvata solun muuttuvia tiloja ja reaktioita peräkkäisten toimenpiteiden aikana – ei vain luokitella yhtä staattista biologista näytettä.

Miten se eroaa AlphaFoldista?

AlphaFold tunnetaan ennen kaikkea yksittäisten proteiinien rakenteen ennustamisesta. AIDO Cell tähtää laajempaan järjestelmätason kysymykseen: miten kokonaisen solun molekyylikoneisto toimii ja miten yhdessä biologisessa kerroksessa tapahtuva muutos vaikuttaa muihin kerroksiin.

Kyse ei siis ole siitä, että AIDO Cell korvaisi proteiinirakenteiden ennustamisen. Työkalut vastaavat eri kysymyksiin. AlphaFold pyrkii ennustamaan, miltä proteiini näyttää, kun taas AIDO Cell pyrkii tutkimaan, mitä solujärjestelmälle tapahtuu, kun sen molekyylisiä osia tai ulkoisia ärsykkeitä muutetaan.

AIDO Cell rakentuu myös GenBion aiemman yksisolumallityön päälle. AIDO.Cell-malliperhe koulutettiin noin 50 miljoonalla ihmissolulla, ja sen mallikoot vaihtelevat 3 miljoonasta 650 miljoonaan parametriin. Aiempi järjestelmä keskittyi ennen kaikkea solujen transkriptomiympäristön esittämiseen. Uusi virtuaalisolusuunta laajentaa tätä pohjaa kohti eri mittakaavat yhdistävää simulaatiota.

AIDO-ohjelman kolme vaihetta

AIDO Cell on osa GenBio AI:n laajempaa AI-Driven Digital Organism -ohjelmaa. Yhtiön tiekartta etenee kolmessa vaiheessa:

1. Hajota ja hallitse: rakennetaan erikoistuneita perusmalleja eri biologisille aineistoille ja mittakaavoille, kuten DNA:lle, RNA:lle, proteiineille, soluille ja kudoksille.
2. Yhdistä: liitetään mallit toisiinsa niin, että tieto, mallinnetut esitykset ja biologiset häiriöt voivat liikkua eri tasojen välillä.
3. Integroi, simuloi ja ohjelmoi: yhdistetyn järjestelmän avulla pyritään ennustamaan biologisia seurauksia ja myöhemmin suunnittelemaan toimenpiteitä biologisiin järjestelmiin. Tämä on AIDO-ohjelman pitkän aikavälin tavoite, ei nykyisen AIDO Cell -esiversion todistettu kyky.

GenBio on aiemmin kuvannut AIDOa monitasoisten mallien järjestelmäksi, joka kattaa muun muassa DNA:n, RNA:n, proteiinit ja yksisoluisen geenien ilmentymisen. Haasteena ei ole vain mallien kasvattaminen, vaan eri biologisten esitysten yhdistäminen tavalla, joka tuottaa hyödyllisiä, kokeellisesti testattavia ennusteita.

Mitä imatinibia koskeva esimerkki osoitti?

Ensimmäisessä tapaustutkimuksessaan GenBio kertoi AIDO Cellin toistaneen imatinibin tunnetut vaikutukset ja toimintamekanismin K562-leukemiasoluissa. Esimerkin tarkoituksena oli osoittaa, miten malli voi seurata lääkkeen vaikutuksia simuloidussa soluympäristössä.

Tulos on kiinnostava toimivuuden esimerkki, mutta sitä ei pidä tulkita ennakoivan validoinnin osoitukseksi. Tunnetun biologian jälkikäteinen toistaminen ei vielä osoita, että malli pystyisi ennustamaan aiemmin näkemättömän lääkevasteen, löytämään toimivan uuden yhdisteen tai päihittämään yksinkertaisemmat laskennalliset menetelmät. Julkisuudessa ei ole esitetty riittäviä tietoja esimerkiksi kvantitatiivisista tarkkuusmittareista, tilastollisista analyyseistä, vertailuista muihin menetelmiin tai ennakkoon tehdyistä kokeellisista testeistä.

Mitä solutyyppejä malli tukee?

Nykyinen AIDO Cell -esiversio tukee kahta kuolemattomaksi muunnettua ihmisen solulinjaa:

• K562, jota käytettiin imatinibia koskevassa tapaustutkimuksessa
• HepG2

GenBio on kertonut suunnittelevansa lisää solutyyppejä ja ominaisuuksia vuosille 2026–2027. Tämä rajaus on tärkeä, sillä muutaman kuolemattoman solulinjan tuloksia ei voi automaattisesti yleistää primaarisoluihin, kudoksiin tai potilaisiin.

Miten AIDO Cell voisi auttaa lääkekehityksessä?

Virtuaalisolu voisi tehostaa lääketutkimusta antamalla tutkijoille mahdollisuuden arvioida useita hypoteeseja ennen kuin jokainen niistä viedään laboratorioon. Periaatteessa mallilla voisi vertailla lääkeaihioita, kohdemolekyylejä, yhdistelmähoitoja ja hoitojen järjestystä sekä etsiä solureaktioita, jotka viittaavat tehoon, resistenssiin tai mahdollisiin kohdealueen ulkopuolisiin vaikutuksiin.

Lähiajan realistisin käyttötarkoitus onkin ehdokkaiden priorisointi. AIDO Cell voisi auttaa päättämään, mitkä yhdisteet ansaitsevat kalliimpia kokeita, mitä häiriöitä kannattaa testata ja missä kohdissa kokeellinen asetelma saattaa olla puutteellinen. Se voisi myös auttaa suunnittelemaan jatkokokeita, joissa tutkitaan, miten aiempi käsittely muuttaa myöhempää vastetta.

Kyse on siis suodattamisesta ja kokeiden suunnittelusta, ei kliinisestä varmuustakuusta. Solulinjoihin perustuva malli ei yksin kuvaa elimistön farmakokinetiikkaa, immuunijärjestelmän ja kudosten vuorovaikutuksia, potilaiden välistä vaihtelua, toksisuutta tai kliinisiä hoitotuloksia. Virtuaalisolu ei ole kokonainen virtuaali-ihminen, eikä tietokonesimulaatio voi korvata eläinkokeita, ihmisillä tehtäviä kliinisiä tutkimuksia tai viranomaisten edellyttämää näyttöä.

Ratkaiseva kysymys: ennustaako malli uutta biologiaa?

AIDO Cellin tärkein testi on ennakoiva validointi: pystyykö se ennustamaan vasteita, joita ei käytetty esimerkin rakentamiseen, ja kestävätkö ennusteet kontrolloidut laboratoriokokeet?

Ennen tällaisen näytön saamista AIDO Cellistä on perustelluinta puhua lupaavana virtuaalisen seulonnan ja kokeiden suunnittelun työkaluna. Sen monitasoinen ja tilallinen rakenne voi tehdä simulaatioista hyödyllisempiä kuin yksittäisiin molekyyleihin tai transkriptomiin keskittyvät mallit. Pelkkä arkkitehtuuri ei kuitenkaan todista ennustetarkkuutta. Tunnetun biologian toistamisen ja luotettavan uuden biologian löytämisen välinen kuilu on edelleen järjestelmän suurin tieteellinen haaste.

Saatavuus ja nykyinen vaihe

GenBio AI valmistelee varhaisen käyttöoikeuden yhteistyöohjelmaa akateemisille tutkijoille sekä biotekniikka- ja lääketeollisuuden toimijoille.

Tällä hetkellä AIDO Cell kannattaa nähdä kunnianhimoisena varhaisen vaiheen tutkimusjärjestelmänä: se voi auttaa rajaamaan kokeellista hakua ja priorisoimaan lääkeaihioita, mutta julkinen näyttö ei vielä oikeuta väitteisiin uusien hoitojen luotettavasta ennustamisesta tai biologisten kokeiden korvaamisesta.