기술적으로 AIDO는 각각 하나의 생물학적 수준을 전문으로 하는 연결된 기반 모델의 스택으로 구축되었습니다:

• DNA/RNA 수준 – 예: AIDO.RNA(16억 개 파라미터, 4200만 개의 비암호화 RNA 서열을 단일 뉴클레오티드 수준으로 학습)
• 단백질 구조 수준 – 예: AIDO.StructureTokenizer(단백질 구조 인코딩을 위한 3억 개 파라미터 VQ-VAE)
• 세포 수준 – 예: AIDO.Cell(유전자 발현 및 세포 상태를 위한 300만~6억 5000만 개 파라미터의 고밀도 트랜스포머 인코더)
• 조직 및 장기 수준
• 건강 예후 및 임상 수준

이러한 모듈은 조합 가능하도록 설계되었습니다. 정보가 규모 간에 흐르면서 DNA 수준의 교란(예: CRISPR 편집)이 단백질 기능, 세포 행동, 조직 반응, 그리고 궁극적으로 예측된 임상 결과까지 상향 전파될 수 있습니다 .

젠바이오 AI의 단기 목표와 엔비디아 협력

젠바이오 AI의 즉각적인 실무적 초점은 생물학적 규모에 걸쳐 세포 행동을 예측, 시뮬레이션, 그리고 궁극적으로 프로그래밍할 수 있는 AI 세계 모델인 **'가상 세포'**를 구축하는 것입니다 . 주요 단기 성과물은 다음과 같습니다:

• VCHarness: 인간 세포의 AI 모델을 자율적으로 구축, 테스트, 개선하는 자율 에이전트 시스템입니다. 회사 측은 VCHarness가 수개월이 아닌 며칠 만에 새로운 아키텍처를 발견할 수 있다고 보고합니다 .
• 엔비디아와의 공식 협력(2026년 6월 발표). 젠바이오 AI는 엔비디아의 칩, 모델 개발 도구, 에이전트 프레임워크를 활용할 계획입니다. 특히 엔비디아 BioNeMo 플랫폼, 분산 학습용 Megatron, BioNeMo Agent Toolkit과의 통합을 통해 가상 세포 세계 모델 개발을 가속화할 예정입니다 .

챈 저커버그 이니셔티브(CZI)의 가상 세포 플랫폼과의 비교

요약하자면: AIDO는 보다 수직적으로 통합된 전유기체 스택을 목표로 하지만 스타트업이 지원하고 부분적으로 독점적입니다. CZI의 접근 방식은 세포 계층에 더 초점을 맞추고 있으며, 매우 개방적인 과학 지향적이며 훨씬 더 큰 자선적 투자의 지원을 받고 있습니다.

인정된 한계와 과제

AIDO의 네이처 메디슨 전망 논문과 관련 기술 논문들은 몇 가지 주요 과제를 인정하고 있습니다:

• 편향되고 불완전한 학습 데이터. 모델은 학습된 데이터셋만큼만 우수합니다. 학습 데이터가 특정 인구, 조상 또는 질병 상태를 과소 대표하는 경우 디지털 유기체는 왜곡되거나 신뢰할 수 없는 예측을 생성합니다. 일반적인 의료 AI 문헌에 따르면 특정 환자 그룹에 대한 불충분한 표본 크기는 최적이 아닌 성능과 임상적으로 무의미한 예측으로 이어집니다 .
• 환자 변이성. 개인의 유전적 배경, 환경, 생활 방식 및 동반 질환은 엄청난 이질성을 만듭니다. 모든 인간에게 일반화되는 단일 '디지털 유기체'는 극도의 도전 과제이며, 연구진은 환자 특이적 적응이 여전히 해결되지 않은 문제라고 지적합니다 .
• 인과 추론(Causal Inference). 기반 모델은 근본적으로 상관 관계 엔진입니다. 즉, 데이터의 통계적 패턴을 학습할 뿐 인과 메커니즘을 학습하지는 않습니다. 저자들은 '무슨 일이 일어날지 예측하는 것'에서 '왜 일어나고 어떤 개입이 결과를 바꿀지 이해하는 것'으로 나아가려면 전통적인 ML이 어려움을 겪는 인과 추론 프레임워크를 통합해야 한다고 인정합니다 . 더 광범위한 문헌은 생물학에서의 상관 관계 기반 AI가 종종 '블랙박스'로 기능하며 개입의 인과 효과를 정량화하는 것은 별개의 해결되지 않은 과제라고 확인합니다 .
• 규모와 컴퓨팅. 충분한 정확도로 전체 유기체를 시뮬레이션하려면 막대한 컴퓨팅 리소스와 아직 필요한 규모로 존재하지 않는 데이터가 필요합니다 .
• 검증(Validation). 디지털 유기체의 예측이 실제 생물학적 시스템에서 사실임을 증명하고 학습 분포를 넘어 일반화된다는 것을 증명하는 것은 이 분야가 이제 막 다루기 시작한 근본적인 장애물입니다 .

기술적으로 AIDO는 각각 하나의 생물학적 수준을 전문으로 하는 연결된 기반 모델의 스택으로 구축되었습니다:

• DNA/RNA 수준 – 예: AIDO.RNA(16억 개 파라미터, 4200만 개의 비암호화 RNA 서열을 단일 뉴클레오티드 수준으로 학습)
• 단백질 구조 수준 – 예: AIDO.StructureTokenizer(단백질 구조 인코딩을 위한 3억 개 파라미터 VQ-VAE)
• 세포 수준 – 예: AIDO.Cell(유전자 발현 및 세포 상태를 위한 300만~6억 5000만 개 파라미터의 고밀도 트랜스포머 인코더)
• 조직 및 장기 수준
• 건강 예후 및 임상 수준

이러한 모듈은 조합 가능하도록 설계되었습니다. 정보가 규모 간에 흐르면서 DNA 수준의 교란(예: CRISPR 편집)이 단백질 기능, 세포 행동, 조직 반응, 그리고 궁극적으로 예측된 임상 결과까지 상향 전파될 수 있습니다 .

젠바이오 AI의 단기 목표와 엔비디아 협력

젠바이오 AI의 즉각적인 실무적 초점은 생물학적 규모에 걸쳐 세포 행동을 예측, 시뮬레이션, 그리고 궁극적으로 프로그래밍할 수 있는 AI 세계 모델인 **'가상 세포'**를 구축하는 것입니다 . 주요 단기 성과물은 다음과 같습니다:

• VCHarness: 인간 세포의 AI 모델을 자율적으로 구축, 테스트, 개선하는 자율 에이전트 시스템입니다. 회사 측은 VCHarness가 수개월이 아닌 며칠 만에 새로운 아키텍처를 발견할 수 있다고 보고합니다 .
• 엔비디아와의 공식 협력(2026년 6월 발표). 젠바이오 AI는 엔비디아의 칩, 모델 개발 도구, 에이전트 프레임워크를 활용할 계획입니다. 특히 엔비디아 BioNeMo 플랫폼, 분산 학습용 Megatron, BioNeMo Agent Toolkit과의 통합을 통해 가상 세포 세계 모델 개발을 가속화할 예정입니다 .

챈 저커버그 이니셔티브(CZI)의 가상 세포 플랫폼과의 비교

요약하자면: AIDO는 보다 수직적으로 통합된 전유기체 스택을 목표로 하지만 스타트업이 지원하고 부분적으로 독점적입니다. CZI의 접근 방식은 세포 계층에 더 초점을 맞추고 있으며, 매우 개방적인 과학 지향적이며 훨씬 더 큰 자선적 투자의 지원을 받고 있습니다.

인정된 한계와 과제

AIDO의 네이처 메디슨 전망 논문과 관련 기술 논문들은 몇 가지 주요 과제를 인정하고 있습니다:

• 편향되고 불완전한 학습 데이터. 모델은 학습된 데이터셋만큼만 우수합니다. 학습 데이터가 특정 인구, 조상 또는 질병 상태를 과소 대표하는 경우 디지털 유기체는 왜곡되거나 신뢰할 수 없는 예측을 생성합니다. 일반적인 의료 AI 문헌에 따르면 특정 환자 그룹에 대한 불충분한 표본 크기는 최적이 아닌 성능과 임상적으로 무의미한 예측으로 이어집니다 .
• 환자 변이성. 개인의 유전적 배경, 환경, 생활 방식 및 동반 질환은 엄청난 이질성을 만듭니다. 모든 인간에게 일반화되는 단일 '디지털 유기체'는 극도의 도전 과제이며, 연구진은 환자 특이적 적응이 여전히 해결되지 않은 문제라고 지적합니다 .
• 인과 추론(Causal Inference). 기반 모델은 근본적으로 상관 관계 엔진입니다. 즉, 데이터의 통계적 패턴을 학습할 뿐 인과 메커니즘을 학습하지는 않습니다. 저자들은 '무슨 일이 일어날지 예측하는 것'에서 '왜 일어나고 어떤 개입이 결과를 바꿀지 이해하는 것'으로 나아가려면 전통적인 ML이 어려움을 겪는 인과 추론 프레임워크를 통합해야 한다고 인정합니다 . 더 광범위한 문헌은 생물학에서의 상관 관계 기반 AI가 종종 '블랙박스'로 기능하며 개입의 인과 효과를 정량화하는 것은 별개의 해결되지 않은 과제라고 확인합니다 .
• 규모와 컴퓨팅. 충분한 정확도로 전체 유기체를 시뮬레이션하려면 막대한 컴퓨팅 리소스와 아직 필요한 규모로 존재하지 않는 데이터가 필요합니다 .
• 검증(Validation). 디지털 유기체의 예측이 실제 생물학적 시스템에서 사실임을 증명하고 학습 분포를 넘어 일반화된다는 것을 증명하는 것은 이 분야가 이제 막 다루기 시작한 근본적인 장애물입니다 .