「デジタル生物」設計図が登場：DNAから健康予測まで、生物学の全階層をAIでつなぐ

• AIDO.DNA — ゲノム配列をモデル化し、遺伝的変異とその下流への影響を理解する基盤を提供します。
• AIDO.RNA — 16億パラメータのモデルで、4200万の非コードRNA配列を一塩基解像度で事前学習しています。
• AIDO.Protein — タンパク質の配列、構造、機能を学習します。
• AIDO.Cell — エンコーダーのみの高密度トランスフォーマーモデル（最大6億5000万パラメータ）で、多様な組織由来の5000万個のヒト細胞、1細胞あたり約2万遺伝子を事前学習。
• AIDO.Tissue — 組織レベルの振る舞いと細胞間相互作用をモデル化します。
• AIDO.Biology — すべての下位階層を統合し、個体レベルの結果をシミュレートする「ワールドモデル」層です。

重要な設計上の特徴は、これらのモジュールが相互接続可能であることです。例えば、新しい薬物分子や遺伝子編集といった単一の摂動（かく乱）が、分子相互作用から細胞応答、組織への影響を経て、最終的な健康予測に至るまで、論理的にトレースできるようになります。

目標：マルチスケールシミュレーターとしての「生物学のワールドモデル」

AIDOの中心的な野望は、DNAレベルでの変化がどのようにタンパク質、細胞、組織、そして個体レベルの表現型へと伝播するかをシミュレートできる、計算上の**「生物学のワールドモデル」** を構築することです。これにより研究者は：

• 疾患や複雑な生物学的プロセスを計算機上でシミュレートし、何年もの実験室での実験を省略できる。
• 実際の実験を始める前に薬の効果や毒性を予測し、物理的にテストすべき候補数を劇的に減らせる。
• 数百万もの インシリコ 摂動を迅速にテストし、実験的検証の対象を最も有望な候補に絞り込める。

このプロジェクトは、医学における「フライトシミュレーター」のようなものだと表現されています。現実世界の実験を行う前に、仮想的に実験できる環境を提供するのです。

他の「仮想細胞」プロジェクトとの比較

AI駆動の仮想細胞という概念は、AIDOチームだけのものではありません。チャン・ザッカーバーグ・バイオハブ（CZI）は、スタンフォード大学やジェネンテックと共同で、ほぼ同時期（2024年12月）にAI仮想細胞（AIVC） に関する展望論文を Nature 誌に発表しています。AIVCは分子、細胞、組織を表現・シミュレートするマルチスケールかつマルチモーダルな大規模ニューラルネットワークモデルです。CZIはまた、仮想細胞に関するワークショップを開催し、データの不均一性、ノイズ、再現性の課題、マルチモーダルベンチマークの必要性など、AIDOと共通する多くのボトルネックを特定しています。

両プロジェクトの主な違いは以下の通りです。

範囲や段階に違いはあるものの、両プロジェクトは、単一細胞RNA-seq、プロテオミクス、エピゲノミクス、メタボロミクスといった非常に異種性の高いオミクスデータを統合するという、同じ根本的な課題に直面しています。

認識されている限界

AIDO論文および関連報道では、初期の熱狂を冷ますいくつかの重要な限界が指摘されています。

• 偏った不完全な学習データ：現在の生物学的データセットは、よく研究された細胞株、一般的な疾患、そして特にヨーロッパ系集団に大きく偏っています。これによりモデルの予測が歪められ、医療における人口統計学的格差を悪化させる可能性があります。
• 患者の多様性：遺伝的背景、年齢、健康状態の違いによるヒトの生物学的多様性は非常に広範であり、既存の学習コホートでは十分に捉えられていません。著者らは、モデルが過少集団に適用された場合、うまく一般化できない可能性があると明記しています。
• 異種データの統合：トランスクリプトミクス、プロテオミクス、イメージング、臨床記録など、異なるモダリティのデータを融合することは、データのスケール、測定ノイズ、欠測パターンの違いなどから、技術的に非常に困難です。
• 標準化されたベンチマークの欠如：分野横断的な評価枠組みがないため、異なるグループのモデルを客観的に比較したり、実世界でのロバスト性を評価したりすることが困難です。

応用：創薬候補フィルタリングと感染症アウトブレイク対応

AIDOの近い将来の応用目標として、主に2つの用途が強調されています。

• 創薬候補のフィルタリング：AIDOは、数百万もの化合物の分子結合、細胞応答、組織レベルの毒性、個体レベルの有効性を、実際の実験前に インシリコ でシミュレートできます。これにより、実験的検証が必要な候補のプールを劇的に絞り込み、前臨床開発のコストと失敗率を削減します。

• 感染症アウトブレイクへの迅速な対応：システムがモジュール式であり、特定の病原体だけでなく基礎的な生物学的パターンで学習されているため、新興ウイルスや細菌の脅威をモデル化するために迅速に適応できます。研究者は、感染動態のシミュレーション、既存薬のライブラリテストによる転用可能性の評価、仮想個体全体での免疫応答の予測を、数ヶ月ではなく数日から数週間で行うことが可能になります。