Biru AI ‘Digital Organism’ Janji Revolusi Perubatan: Simulasi Dari DNA Sehingga Pesakit

Satu kertas kerja perspektif baharu dalam Nature Medicine, berjudul "How to build an AI-driven digital organism"—dihasilkan oleh Eric Xing, Eran Segal, Le Song, dan rakan-rakan—menyediakan pelan hala terperinci untuk apa yang dipanggil AI-Driven Digital Organism (AIDO). Visinya adalah satu sistem model asas pelbagai skala bersepadu yang direka untuk meramal, mensimulasi, dan memprogram biologi dari aras molekul individu naik melalui sel, tisu, dan seluruh organisma . Matlamatnya adalah untuk mengalihkan penemuan biologi dan perubatan daripada carian eksperimen yang perlahan, mahal, dan ad hoc kepada navigasi in silico yang cekap dan berstruktur dalam "world model" biologi yang dipelajari . Fasa 1 AIDO telah dilancarkan oleh GenBio AI pada Disember 2024 , tetapi kertas kerja ini juga mengakui secara terbuka halangan-halangan ketara, termasuk data latihan yang bias dan cabaran besar untuk mengintegrasikan set data biologi yang heterogen .

Pelan dan Seni Bina: Tindanan Modular Model Asas

AIDO bukan satu model tunggal, tetapi satu sistem modular, boleh sambung, holistik yang terdiri daripada model asas berasaskan transformer, setiap satu khusus untuk satu skala biologi :

• AIDO.DNA — memodelkan jujukan genom, meletakkan asas untuk memahami variasi genetik dan kesan hilirannya .
• AIDO.RNA — model 1.6 bilion parameter yang dilatih awal pada 42 juta jujukan RNA bukan pengekodan pada resolusi nukleotida tunggal .
• AIDO.Protein — mempelajari jujukan, struktur, dan fungsi protein .
• AIDO.Cell — satu siri model Transformer tumpat hanya pengekod dengan sehingga 650 juta parameter, dilatih awal pada 50 juta sel manusia merentas pelbagai tisu dan meliputi kira-kira 20,000 gen setiap sel .
• AIDO.Tissue — memodelkan tingkah laku aras tisu dan interaksi selular .
• AIDO.Biology — lapisan "world model" menyeluruh yang mengintegrasikan merentas semua skala rendah untuk mensimulasi hasil aras organisma .

Pilihan reka bentuk kritikal ialah modul-modul ini boleh disambung—jadi satu gangguan, seperti molekul ubat baharu atau suntingan genetik, boleh dikesan secara logik merentas skala: dari interaksi molekul melalui respons selular dan kesan tisu, sehinggalah kepada hasil kesihatan yang diramal .

Matlamat: Simulator Pelbagai Skala dan "World Model" Biologi

Cita-cita utama adalah untuk mencipta "world model" biologi secara komputasi yang boleh mensimulasi bagaimana perubahan pada aras DNA merebak melalui protein, sel, tisu, dan fenotip aras organisma . Ini akan membolehkan penyelidik:

• Mensimulasi penyakit dan proses biologi kompleks secara komputasi, memintas tahun eksperimen makmal basah .
• Meramal kesan dan ketoksikan ubat sebelum menjalankan sebarang eksperimen makmal basah, mengurangkan secara drastik bilangan calon yang perlu diuji secara fizikal .
• Menguji berjuta-juta gangguan in silico dengan pantas, menyempitkan kumpulan calon untuk pengesahan eksperimen kepada hanya yang paling menjanjikan .

Projek ini telah digambarkan seperti membina "simulator penerbangan" untuk perubatan, di mana saintis boleh bereksperimen secara maya sebelum komited kepada eksperimen dunia sebenar .

Perbandingan dengan Usaha Sel Maya Lain

Konsep sel maya dipacu AI bukan unik kepada pasukan AIDO. Chan Zuckerberg BioHub (CZI), dengan kerjasama Stanford dan Genentech, menerbitkan Nature Perspective (Disember 2024) serentak mengenai AI Virtual Cells (AIVC)—model rangkaian neural besar pelbagai skala, pelbagai modal yang direka untuk mewakili molekul, sel, dan tisu . CZI juga mengadakan Bengkel Sel Maya yang mengenal pasti banyak kesesakan yang sama, termasuk heterogeniti data, hingar, cabaran kebolehulangan, dan keperluan untuk penanda aras pelbagai modal yang lebih baik .

Perbezaan utama antara dua projek utama ini:

Dimensi	AIDO (GenBio AI / CMU)	AIVC (CZI / Stanford / Genentech)
Skop	Organisma penuh (DNA → sel → organisma)	Terutamanya aras sel dan tisu
Konsep asas	"World model" biologi, modular tetapi boleh sambung	Rangkaian neural besar untuk keadaan sel
Pimpinan organisasi	GenBio AI (Eric Xing, Le Song, Eran Segal)	Chan Zuckerberg BioHub (T. Karaletsos, S. Quake, J. Leskovec, A. Regev)
Tahap pembangunan	Fasa 1 dilancarkan Dis 2024 dengan 6 model pra-latihan	Masih dalam fasa visi/reka bentuk dengan bengkel

Walaupun berbeza dari segi skop dan peringkat, kedua-dua projek berkongsi cabaran asas yang sama: mengintegrasikan data omik yang sangat heterogen—RNA-seq sel tunggal, proteomik, epigenomik, metabolomik—ke dalam model yang bersatu dan koheren .

Had-had yang Diakui

Kertas AIDO dan liputan berkaitan mengenal pasti beberapa had ketara yang menyederhanakan keghairahan awal :

• Data latihan yang bias dan tidak lengkap: Set data biologi semasa sangat condong ke arah barisan sel yang dikaji dengan baik, penyakit biasa, dan populasi berketurunan Eropah. Ini boleh memesongkan ramalan model dan berpotensi memburukkan lagi ketidakadilan demografi dalam penjagaan kesihatan .
• Kebolehubahan pesakit: Kepelbagaian biologi manusia merentas latar belakang genetik, umur, dan status kesihatan adalah luas dan kurang ditangkap oleh kohort latihan sedia ada. Penulis secara eksplisit menyatakan bahawa model mungkin gagal untuk generalisasi apabila digunakan pada populasi yang kurang diwakili .
• Integrasi data heterogen: Menggabungkan data merentas modaliti—dari transkriptomik ke proteomik ke pengimejan ke rekod klinikal—masih sukar secara teknikal disebabkan oleh perbezaan skala, hingar pengukuran, dan corak data hilang .
• Kekurangan penanda aras piawai: Tanpa rangka kerja penilaian merentas domain, sukar untuk membandingkan model daripada kumpulan berbeza secara objektif atau menilai keteguhan dunia sebenar .

Aplikasi: Penapisan Calon Ubat dan Respons Wabak

Dua aplikasi ditonjolkan paling menonjol sebagai sasaran jangka pendek untuk AIDO :

• Penapisan calon ubat: AIDO boleh mensimulasi berjuta-juta sebatian in silico, meramal pengikatan molekulnya, respons selular, ketoksikan aras tisu, dan keberkesanan aras organisma sebelum sebarang kerja makmal basah. Ini akan mengurangkan secara drastik kumpulan calon yang memerlukan ujian eksperimen, mengurangkan kedua-dua kos dan kadar kegagalan pembangunan praklinikal .

• Mempercepatkan respons kepada wabak penyakit berjangkit: Oleh kerana sistem ini modular dan dilatih pada corak biologi asas (bukan hanya satu patogen), ia boleh disesuaikan dengan cepat untuk memodelkan virus baharu atau ancaman bakteria. Penyelidik boleh mensimulasi dinamik jangkitan, menguji perpustakaan ubat sedia ada untuk penggunaan semula, dan meramal respons imun merentas organisma maya dalam beberapa hari atau minggu dan bukannya bulan .