תוכנית האב לאורגניזם דיגיטלי מונע בינה מלאכותית: איך AIDO מדמה ביולוגיה מ-DNA ועד לתוצאות בריאותיות

מאמר פרספקטיבה חדש בכתב העת Nature Medicine, תחת הכותרת "How to build an AI-driven digital organism" (איך לבנות אורגניזם דיגיטלי מונע AI), נכתב על ידי אריק שינג (Eric Xing), ארן סגל (Eran Segal), לה סונג (Le Song) ועמיתיהם, ומציג תוכנית מפורטת למערכת המכונה AI-Driven Digital Organism (AIDO). החזון הוא מערכת של מודלי יסוד רב-קנה-מידה משולבים, שנועדו לחזות, לדמות ולתכנת ביולוגיה החל מרמת המולקולות הבודדות, דרך תאים ורקמות, ועד לאורגניזמים שלמים . המטרה המוצהרת היא לשנות את פני המחקר הביולוגי והרפואי: ממחקר ניסויי איטי, יקר ומבוסס ניסוי וטעייה, לניווט יעיל ומובנה בתוך "מודל עולם" (world model) שלומד את חוקי הביולוגיה במחשב . שלב 1 של AIDO שוחרר על ידי חברת GenBio AI בדצמבר 2024 , אך המאמר מונה בכנות גם מכשולים משמעותיים, בהם הטיות בנתוני האימון והאתגר העצום של שילוב מערכי נתונים ביולוגיים הטרוגניים .

תוכנית האב והארכיטקטורה: ערמה מודולרית של מודלי יסוד

AIDO אינו מודל בודד, אלא מערכת מודולרית, ניתנת לחיבור והוליסטית של מודלי יסוד המבוססים על ארכיטקטורת טרנספורמר (Transformer), כל אחד מתמחה ברמה ביולוגית אחרת :

• AIDO.DNA – מדמה רצף גנומי ומניח את הבסיס להבנת וריאציות גנטיות והשפעותיהן במורד הזרם .
• AIDO.RNA – מודל בעל 1.6 מיליארד פרמטרים, אומן על 42 מיליון רצפי RNA שאינם מקודדים לחלבון, ברזולוציה של נוקלאוטיד בודד .
• AIDO.Protein – לומד רצף חלבון, מבנה ותפקוד .
• AIDO.Cell – סדרה של מודלי טרנספורמר צפופים (encoder-only) בעלי עד 650 מיליון פרמטרים, אומנו על 50 מיליון תאים אנושיים מרקמות מגוונות, המכסים כ-20,000 גנים לתא .
• AIDO.Tissue – מדמה התנהגות ברמת הרקמה ואינטראקציות בין תאיות .
• AIDO.Biology – שכבת "מודל עולם" מקיפה המשתלבת עם כל הרמות הנמוכות יותר כדי לדמות תוצאות ברמת האורגניזם .

בחירת העיצוב הקריטית היא שמודולים אלו ניתנים לחיבור – כך שהפרעה בודדת, כגון מולקולת תרופה חדשה או עריכה גנטית, ניתנת למעקב לוגי דרך כל הרמות: מאינטראקציה מולקולרית דרך תגובה תאית והשפעה על רקמה, ועד לתוצאת בריאות חזויה .

המטרה: סימולטור רב-קנה מידה ו"מודל עולם" של ביולוגיה

השאיפה המרכזית היא ליצור "מודל עולם" חישובי של ביולוגיה שיוכל לדמות כיצד שינוי ברמת ה-DNA מתפשט דרך חלבונים, תאים, רקמות ופנוטיפים ברמת האורגניזם . זה יאפשר לחוקרים:

• לדמות מחלות ותהליכים ביולוגיים מורכבים חישובית, תוך עקיפת שנים של ניסויים במעבדה רטובה .
• לחזות השפעות ורעילות של תרופות לפני ביצוע ניסוי במעבדה, ובכך לצמצם דרמטית את מספר המועמדים שיש לבדוק פיזית .
• לבחון במהירות מיליוני שינויים וירטואליים (in silico), לצמצם את מאגר המועמדים לאימות ניסויי לאלו המבטיחים ביותר בלבד .

הפרויקט תואר כבניית "סימולטור טיסה" לרפואה, שבו מדענים יוכלו להתנסות באופן וירטואלי לפני שיתחייבו לניסויים בעולם האמיתי .

השוואה למיזמי תא וירטואלי אחרים

הרעיון של תא וירטואלי מונע AI אינו ייחודי לצוות AIDO. קרן צ'אן צוקרברג (CZI), בשיתוף עם סטנפורד וג'ננטק (Genentech), פרסמה מאמר פרספקטיבה מקביל ב-Nature (דצמבר 2024) על תאים וירטואליים מבוססי AI (AIVCs) – מודלים רב-קנה מידה ורב-מודאליים של רשתות עצביות גדולות המיועדים לייצג מולקולות, תאים ורקמות . CZI גם כינסה סדנת תאים וירטואליים שזיהתה רבים מאותם צווארי בקבוק, כולל הטרוגניות בנתונים, רעש, אתגרי שחזור והצורך בקריטריוני הערכה רב-מודאליים טובים יותר .

ההבדלים העיקריים בין שני הפרויקטים המובילים:

מאפיין	AIDO (GenBio AI / CMU)	AIVC (CZI / Stanford / Genentech)
היקף	אורגניזם שלם (DNA → תאים → אורגניזם)	בעיקר רמת התא והרקמה
מושג יסוד	"מודל עולם" של ביולוגיה, מודולרי אך ניתן לחיבור	רשת עצבית גדולה למצבים תאיים
מוביל ארגוני	GenBio AI (אריק שינג, לה סונג, ארן סגל)	Chan Zuckerberg BioHub (ט. קרלטסוס, ס. קווייק, י. לסקובץ, א. רגב)
שלב הפיתוח	שלב 1 שוחרר בדצמבר 2024 עם 6 מודלים מאומנים מראש	עדיין בשלב חזון/תכנון עם סדנאות

למרות ההבדלים בהיקף ובשלב, שני הפרויקטים חולקים את אותו אתגר יסודי: שילוב נתוני אומיקה (omics) הטרוגניים ביותר – RNA-seq מתא בודד, פרוטאומיקה, אפיגנומיקה, מטבולומיקה – למודלים אחידים וקוהרנטיים .

מגבלות ידועות

מאמר AIDO והסיקור הנלווה מציינים מספר מגבלות משמעותיות הממתנות את ההתלהבות הראשונית :

• נתוני אימון מוטים וחסרים: מערכי הנתונים הביולוגיים הנוכחיים מוטים בכבדות כלפי שורות תאים נחקרות היטב, מחלות נפוצות ואוכלוסיות ממוצא אירופאי. זה עלול להטות את תחזיות המודלים ואף להחמיר אי-שוויון דמוגרפי במערכת הבריאות .
• שונות בין חולים: המגוון הביולוגי האנושי על פני רקעים גנטיים, גילים ומצבים בריאותיים הוא עצום ונתפס בצורה גרועה על ידי קבוצות האימון הקיימות. המחברים מציינים במפורש שמודלים עלולים להיכשל בהכללה לאוכלוסיות חסרות ייצוג .
• שילוב מידע הטרוגני: מיזוג נתונים בין שיטות שונות – מטרנסקריפטומיקה לפרוטאומיקה, דימות ורישומים קליניים – נותר קשה מבחינה טכנית בשל הבדלים בקנה מידה, רעש ודפוסי נתונים חסרים .
• חוסר בקריטריוני הערכה סטנדרטיים: ללא מסגרות הערכה חוצות-תחומים, קשה להשוות באופן אובייקטיבי מודלים מקבוצות שונות או להעריך את העמידות שלהם בעולם האמיתי .

יישומים: סינון מועמדים לתרופות ותגובה להתפרצויות

שני יישומים בולטים כמטרות לטווח הקרוב של AIDO :

• סינון מועמדים לתרופות: AIDO יכול לדמות מיליוני תרכובות במחשב, לחזות את הקישור המולקולרי שלהן, התגובה התאית, הרעילות ברמת הרקמה והיעילות ברמת האורגניזם, לפני כל עבודת מעבדה רטובה. זה יצמצם דרמטית את מאגר המועמדים הדורשים בדיקה ניסויית, ויפחית הן את העלות והן את שיעורי הכישלון של פיתוח פרה-קליני .

• האצת תגובה להתפרצויות מחלות זיהומיות: בשל האופי המודולרי של המערכת והאימון על דפוסים ביולוגיים יסודיים (ולא על פתוגן בודד), ניתן יהיה להתאים אותה במהירות לדמות וירוס חדש או איום חיידקי. חוקרים יוכלו לדמות דינמיקת הדבקה, לבדוק ספריות של תרופות קיימות לשימוש מחדש (repurposing), ולחזות תגובות חיסוניות ברחבי האורגניזם הווירטואלי תוך ימים או שבועות במקום חודשים .