AIDO Cell memiliki dua karakteristik utama:

• Multiskala: Model ini menghubungkan informasi genetik, ekspresi RNA, protein, dan fenotipe sel. Dengan demikian, intervensi seperti penghapusan atau knockout gen dan pemberian obat diharapkan dapat diteruskan ke berbagai dampak di dalam sel, bukan hanya menghasilkan perubahan pada satu pembacaan transkriptomik.
• Stateful atau mempertahankan keadaan: Sel yang disimulasikan menyimpan konsekuensi dari intervensi sebelumnya. Hal ini memungkinkan peneliti memodelkan skenario berurutan—misalnya knockout gen yang diikuti pemberian obat, atau beberapa kali terapi—ketika respons kedua bergantung pada kondisi yang terbentuk setelah intervensi pertama.

Inilah makna AIDO Cell disebut sebagai “model dunia” (world model). Sistem tersebut tidak sekadar mengklasifikasikan sampel biologis yang bersifat statis, tetapi ditujukan untuk menggambarkan perubahan keadaan sel dan responsnya sepanjang rangkaian intervensi.

Apa bedanya dengan AlphaFold?

AlphaFold terutama dikenal karena kemampuannya memprediksi struktur satu protein. AIDO Cell mengambil sasaran yang lebih luas pada tingkat sistem: memodelkan bagaimana mesin molekuler seluruh sel bekerja dan bagaimana perubahan pada satu lapisan biologis dapat memengaruhi lapisan lainnya.

Perbedaannya bukan berarti AIDO Cell menggantikan prediksi struktur protein. Keduanya menjawab pertanyaan yang berbeda. AlphaFold berfokus pada seperti apa bentuk sebuah protein, sedangkan AIDO Cell berupaya mengeksplorasi apa yang terjadi pada sistem seluler ketika komponen molekuler atau input tertentu diubah.

AIDO Cell juga melanjutkan fondasi GenBio sebelumnya dalam pengembangan model dasar untuk sel tunggal. Keluarga model AIDO.Cell tersebut dilatih menggunakan sekitar 50 juta sel manusia dan mencakup model dengan ukuran 3 juta hingga 650 juta parameter. Sistem awalnya terutama berfokus pada representasi konteks transkriptomik sel. Arah baru sel virtual ini memperluas fondasi tersebut menuju simulasi terpadu lintas skala.

Tiga tahap strategi AIDO

AIDO Cell merupakan salah satu langkah dalam program GenBio AI yang lebih luas, yaitu AI-Driven Digital Organism atau AIDO. Peta jalannya terdiri dari tiga tahap:

1. Divide and conquer: Membangun model dasar khusus untuk berbagai modalitas dan skala biologis, termasuk DNA, RNA, protein, sel, dan jaringan.
2. Connect the dots: Menghubungkan model-model tersebut agar informasi, representasi, dan intervensi dapat bergerak melintasi skala biologis.
3. Simulasi dan pemrograman terpadu: Memanfaatkan sistem yang telah terhubung untuk memprediksi dampak biologis dan, dalam jangka panjang, membantu merancang intervensi pada berbagai sistem biologis. Ini masih merupakan visi jangka panjang AIDO, bukan kemampuan yang sudah terbukti dimiliki oleh pratinjau AIDO Cell saat ini.

GenBio sebelumnya menggambarkan AIDO sebagai sistem model multiskala yang mencakup berbagai jenis data biologis utama, termasuk DNA, RNA, protein, dan ekspresi sel tunggal. Tantangannya bukan sekadar membuat model yang lebih besar, melainkan memastikan berbagai representasi biologis tersebut dapat bekerja bersama secara berguna untuk memodelkan intervensi dan menghasilkan prediksi yang dapat diuji melalui eksperimen.

Apa yang ditunjukkan dalam demonstrasi imatinib?

Dalam studi kasus awalnya, GenBio melaporkan bahwa AIDO Cell berhasil mereproduksi efek dan mekanisme imatinib yang telah diketahui pada sel leukemia K562. Demonstrasi ini dimaksudkan untuk menunjukkan bagaimana model dapat melacak konsekuensi obat melalui lingkungan sel yang disimulasikan.

Hasil tersebut penting sebagai bukti konsep, tetapi tidak boleh disamakan dengan validasi prediktif. Mereproduksi biologi yang sudah diketahui secara retrospektif belum membuktikan bahwa model mampu memprediksi respons terhadap obat yang belum dilihat, menemukan senyawa baru yang efektif, atau mengungguli metode komputasi yang lebih sederhana.

Pelaporan publik sejauh ini belum mengungkap metrik akurasi kuantitatif, analisis statistik, perbandingan langsung dengan metode lain, maupun validasi eksperimen prospektif yang diperlukan untuk mendukung klaim-klaim tersebut.

Sel apa saja yang didukung?

Pratinjau AIDO Cell saat ini mendukung dua lini sel manusia yang diabadikan (immortalized cell lines):

• K562, yang digunakan dalam studi kasus imatinib
• HepG2

GenBio menyebutkan bahwa jenis sel dan kemampuan tambahan direncanakan untuk diperluas pada 2026–2027. Perluasan ini penting karena kinerja pada sejumlah kecil lini sel yang diabadikan tidak dapat secara otomatis digeneralisasi ke sel manusia primer, jaringan, atau pasien.

Bagaimana AIDO Cell dapat membantu penemuan obat?

Secara teori, sel virtual dapat membuat proses pengembangan obat lebih efisien dengan membantu peneliti mengeksplorasi banyak hipotesis sebelum setiap hipotesis diuji di laboratorium. Pengguna dapat membandingkan senyawa kandidat, target, kombinasi terapi, dan urutan pemberian obat, sekaligus mencari respons seluler yang mengindikasikan efektivitas, resistansi, atau kemungkinan efek di luar target.

Peran paling realistis dalam waktu dekat adalah memprioritaskan kandidat. AIDO Cell dapat membantu menentukan senyawa mana yang layak menjalani eksperimen yang lebih mahal, intervensi mana yang patut diuji, serta hasil mana yang mungkin menunjukkan kelemahan dalam rancangan eksperimen. Model ini juga berpotensi membantu menyusun studi lanjutan yang lebih informatif dengan memperlihatkan bagaimana respons berubah setelah intervensi sebelumnya.

Namun, fungsi tersebut adalah penyaringan dan perencanaan—bukan jaminan klinis. Model berbasis lini sel tidak dengan sendirinya menangkap farmakokinetik pada tingkat organisme, interaksi dengan sistem imun dan jaringan, keragaman pasien, toksisitas, atau hasil klinis. Sel virtual bukan manusia virtual yang lengkap, dan respons yang diprediksi secara in silico tidak dapat menggantikan studi hewan, uji klinis pada manusia, maupun bukti yang diperlukan regulator.

Tantangan utamanya: prediksi tetap harus terbukti secara biologis

Ujian terpenting bagi AIDO Cell adalah validasi prospektif: apakah model dapat memprediksi respons yang belum digunakan dalam demonstrasi, dan apakah prediksi itu bertahan dalam eksperimen terkontrol?

Sebelum bukti tersebut tersedia, deskripsi yang paling tepat adalah bahwa AIDO Cell merupakan lapisan yang menjanjikan untuk penyaringan virtual dan perencanaan eksperimen. Desainnya yang multiskala dan stateful berpotensi membuat simulasi biologis lebih realistis serta lebih berguna dibandingkan model yang hanya berfokus pada molekul atau transkriptom. Namun, arsitektur model saja tidak membuktikan akurasi prediktif.

Kesenjangan antara mereproduksi biologi yang sudah diketahui dan menemukan biologi baru yang dapat diandalkan tetap menjadi tantangan ilmiah utama.

Akses dan status saat ini

GenBio AI sedang menyiapkan program kolaborator akses awal untuk peneliti dari kalangan akademik, perusahaan bioteknologi, dan industri farmasi.

Untuk saat ini, AIDO Cell paling tepat dipahami sebagai sistem riset tahap awal: cakupannya ambisius dan berpotensi membantu mempersempit pilihan eksperimen, tetapi masih menunggu bukti prospektif sebelum dapat mendukung klaim yang lebih kuat tentang penemuan obat atau penggantian eksperimen biologis.

AIDO Cell memiliki dua karakteristik utama:

• Multiskala: Model ini menghubungkan informasi genetik, ekspresi RNA, protein, dan fenotipe sel. Dengan demikian, intervensi seperti penghapusan atau knockout gen dan pemberian obat diharapkan dapat diteruskan ke berbagai dampak di dalam sel, bukan hanya menghasilkan perubahan pada satu pembacaan transkriptomik.
• Stateful atau mempertahankan keadaan: Sel yang disimulasikan menyimpan konsekuensi dari intervensi sebelumnya. Hal ini memungkinkan peneliti memodelkan skenario berurutan—misalnya knockout gen yang diikuti pemberian obat, atau beberapa kali terapi—ketika respons kedua bergantung pada kondisi yang terbentuk setelah intervensi pertama.

Inilah makna AIDO Cell disebut sebagai “model dunia” (world model). Sistem tersebut tidak sekadar mengklasifikasikan sampel biologis yang bersifat statis, tetapi ditujukan untuk menggambarkan perubahan keadaan sel dan responsnya sepanjang rangkaian intervensi.

Apa bedanya dengan AlphaFold?

AlphaFold terutama dikenal karena kemampuannya memprediksi struktur satu protein. AIDO Cell mengambil sasaran yang lebih luas pada tingkat sistem: memodelkan bagaimana mesin molekuler seluruh sel bekerja dan bagaimana perubahan pada satu lapisan biologis dapat memengaruhi lapisan lainnya.

Perbedaannya bukan berarti AIDO Cell menggantikan prediksi struktur protein. Keduanya menjawab pertanyaan yang berbeda. AlphaFold berfokus pada seperti apa bentuk sebuah protein, sedangkan AIDO Cell berupaya mengeksplorasi apa yang terjadi pada sistem seluler ketika komponen molekuler atau input tertentu diubah.

AIDO Cell juga melanjutkan fondasi GenBio sebelumnya dalam pengembangan model dasar untuk sel tunggal. Keluarga model AIDO.Cell tersebut dilatih menggunakan sekitar 50 juta sel manusia dan mencakup model dengan ukuran 3 juta hingga 650 juta parameter. Sistem awalnya terutama berfokus pada representasi konteks transkriptomik sel. Arah baru sel virtual ini memperluas fondasi tersebut menuju simulasi terpadu lintas skala.

Tiga tahap strategi AIDO

AIDO Cell merupakan salah satu langkah dalam program GenBio AI yang lebih luas, yaitu AI-Driven Digital Organism atau AIDO. Peta jalannya terdiri dari tiga tahap:

1. Divide and conquer: Membangun model dasar khusus untuk berbagai modalitas dan skala biologis, termasuk DNA, RNA, protein, sel, dan jaringan.
2. Connect the dots: Menghubungkan model-model tersebut agar informasi, representasi, dan intervensi dapat bergerak melintasi skala biologis.
3. Simulasi dan pemrograman terpadu: Memanfaatkan sistem yang telah terhubung untuk memprediksi dampak biologis dan, dalam jangka panjang, membantu merancang intervensi pada berbagai sistem biologis. Ini masih merupakan visi jangka panjang AIDO, bukan kemampuan yang sudah terbukti dimiliki oleh pratinjau AIDO Cell saat ini.

GenBio sebelumnya menggambarkan AIDO sebagai sistem model multiskala yang mencakup berbagai jenis data biologis utama, termasuk DNA, RNA, protein, dan ekspresi sel tunggal. Tantangannya bukan sekadar membuat model yang lebih besar, melainkan memastikan berbagai representasi biologis tersebut dapat bekerja bersama secara berguna untuk memodelkan intervensi dan menghasilkan prediksi yang dapat diuji melalui eksperimen.

Apa yang ditunjukkan dalam demonstrasi imatinib?

Dalam studi kasus awalnya, GenBio melaporkan bahwa AIDO Cell berhasil mereproduksi efek dan mekanisme imatinib yang telah diketahui pada sel leukemia K562. Demonstrasi ini dimaksudkan untuk menunjukkan bagaimana model dapat melacak konsekuensi obat melalui lingkungan sel yang disimulasikan.

Hasil tersebut penting sebagai bukti konsep, tetapi tidak boleh disamakan dengan validasi prediktif. Mereproduksi biologi yang sudah diketahui secara retrospektif belum membuktikan bahwa model mampu memprediksi respons terhadap obat yang belum dilihat, menemukan senyawa baru yang efektif, atau mengungguli metode komputasi yang lebih sederhana.

Pelaporan publik sejauh ini belum mengungkap metrik akurasi kuantitatif, analisis statistik, perbandingan langsung dengan metode lain, maupun validasi eksperimen prospektif yang diperlukan untuk mendukung klaim-klaim tersebut.

Sel apa saja yang didukung?

Pratinjau AIDO Cell saat ini mendukung dua lini sel manusia yang diabadikan (immortalized cell lines):

• K562, yang digunakan dalam studi kasus imatinib
• HepG2

GenBio menyebutkan bahwa jenis sel dan kemampuan tambahan direncanakan untuk diperluas pada 2026–2027. Perluasan ini penting karena kinerja pada sejumlah kecil lini sel yang diabadikan tidak dapat secara otomatis digeneralisasi ke sel manusia primer, jaringan, atau pasien.

Bagaimana AIDO Cell dapat membantu penemuan obat?

Secara teori, sel virtual dapat membuat proses pengembangan obat lebih efisien dengan membantu peneliti mengeksplorasi banyak hipotesis sebelum setiap hipotesis diuji di laboratorium. Pengguna dapat membandingkan senyawa kandidat, target, kombinasi terapi, dan urutan pemberian obat, sekaligus mencari respons seluler yang mengindikasikan efektivitas, resistansi, atau kemungkinan efek di luar target.

Peran paling realistis dalam waktu dekat adalah memprioritaskan kandidat. AIDO Cell dapat membantu menentukan senyawa mana yang layak menjalani eksperimen yang lebih mahal, intervensi mana yang patut diuji, serta hasil mana yang mungkin menunjukkan kelemahan dalam rancangan eksperimen. Model ini juga berpotensi membantu menyusun studi lanjutan yang lebih informatif dengan memperlihatkan bagaimana respons berubah setelah intervensi sebelumnya.

Namun, fungsi tersebut adalah penyaringan dan perencanaan—bukan jaminan klinis. Model berbasis lini sel tidak dengan sendirinya menangkap farmakokinetik pada tingkat organisme, interaksi dengan sistem imun dan jaringan, keragaman pasien, toksisitas, atau hasil klinis. Sel virtual bukan manusia virtual yang lengkap, dan respons yang diprediksi secara in silico tidak dapat menggantikan studi hewan, uji klinis pada manusia, maupun bukti yang diperlukan regulator.

Tantangan utamanya: prediksi tetap harus terbukti secara biologis

Ujian terpenting bagi AIDO Cell adalah validasi prospektif: apakah model dapat memprediksi respons yang belum digunakan dalam demonstrasi, dan apakah prediksi itu bertahan dalam eksperimen terkontrol?

Sebelum bukti tersebut tersedia, deskripsi yang paling tepat adalah bahwa AIDO Cell merupakan lapisan yang menjanjikan untuk penyaringan virtual dan perencanaan eksperimen. Desainnya yang multiskala dan stateful berpotensi membuat simulasi biologis lebih realistis serta lebih berguna dibandingkan model yang hanya berfokus pada molekul atau transkriptom. Namun, arsitektur model saja tidak membuktikan akurasi prediktif.

Kesenjangan antara mereproduksi biologi yang sudah diketahui dan menemukan biologi baru yang dapat diandalkan tetap menjadi tantangan ilmiah utama.

Akses dan status saat ini

GenBio AI sedang menyiapkan program kolaborator akses awal untuk peneliti dari kalangan akademik, perusahaan bioteknologi, dan industri farmasi.

Untuk saat ini, AIDO Cell paling tepat dipahami sebagai sistem riset tahap awal: cakupannya ambisius dan berpotensi membantu mempersempit pilihan eksperimen, tetapi masih menunggu bukti prospektif sebelum dapat mendukung klaim yang lebih kuat tentang penemuan obat atau penggantian eksperimen biologis.