Technisch gezien is AIDO een stapel van verbonden AI-modellen, die elk gespecialiseerd zijn in één biologisch niveau:

• DNA/RNA-niveau – bv. AIDO.RNA (1,6 miljard parameters, getraind op 42 miljoen niet-coderende RNA-sequenties met resolutie op niveau van één nucleotide)
• Eiwitstructuurniveau – bv. AIDO.StructureTokenizer (een VQ-VAE model met 300 miljoen parameters voor het coderen van eiwitstructuren)
• Cel-niveau – bv. AIDO.Cell (dichte 'transformer'-modellen variërend van 3 tot 650 miljoen parameters voor genexpressie en celtoestand)
• Weefsel- en orgaanniveau
• Uitkomsten op gezondheidsniveau

Deze modules zijn zo ontworpen dat ze aan elkaar gekoppeld kunnen worden. Informatie stroomt tussen de schaalniveaus, zodat een verandering op DNA-niveau (bijv. een CRISPR-bewerking) doorgerekend kan worden naar de uiteindelijke klinische gevolgen .

GenBio AI's eerste concrete doelen: De virtuele cel en NVIDIA

Het directe praktische doel van GenBio AI is het bouwen van een 'virtuele cel' — een AI-wereldmodel dat celgedrag kan voorspellen en simuleren . Ze werken hierbij aan:

• VCHarness: een autonoom AI-systeem dat zelfstandig AI-modellen van menselijke cellen bouwt, test en verfijnt. Het bedrijf meldt dat VCHarness in dagen nieuwe modelarchitecturen kan ontdekken in plaats van maanden .
• Een formele samenwerking met NVIDIA, aangekondigd in juni 2026. GenBio AI gaat NVIDIA's chips, softwaretools en AI-frameworks gebruiken, met name het BioNeMo-platform, Megatron voor gedistribueerde training en de BioNeMo Agent Toolkit .

Vergelijking met het virtuele celplatform van Chan Zuckerberg BioHub

Kort gezegd: AIDO mikt op een meer verticaal geïntegreerde, complete organisator, maar is startup-gedreven en deels gesloten. CZI's aanpak is meer gericht op de cellulaire laag, volledig gericht op open wetenschap en gesteund door een veel grotere filantropische investering.

Erkende beperkingen en uitdagingen

In het Nature Medicine-artikel en de bijbehorende technische papers erkennen de onderzoekers een aantal grote uitdagingen:

• Vertekende en onvolledige trainingsdata. De modellen zijn slechts zo goed als de data waarop ze zijn getraind. Als bepaalde bevolkingsgroepen, afkomsten of ziektebeelden ondervertegenwoordigd zijn, levert het digitale organisme scheve of onbetrouwbare voorspellingen op .
• Variatie tussen patiënten. Genetische achtergrond, omgeving, levensstijl en bijkomende ziektes verschillen enorm per persoon. Eén 'digitaal organisme' dat voor alle mensen werkt, is een enorme uitdaging. De onderzoekers geven aan dat aanpassing aan individuele patiënten nog een onopgelost probleem is .
• Oorzaak en gevolg. AI-modellen zijn in de basis correlatiezoekers: ze leren statistische patronen, niet causale verbanden. De auteurs erkennen dat de stap van 'voorspellen wat er gebeurt' naar 'begrijpen waarom het gebeurt en welke ingreep werkt' het gebruik van speciale causale AI-frameworks vereist, waar de huidige AI nog mee worstelt .
• Schaal en rekenkracht. Het simuleren van een heel organisme vereist ongelooflijk veel rekenkracht en data die nog niet op de benodigde schaal bestaan .
• Validatie. Bewijzen dat de voorspellingen van een digitaal organisme kloppen in echte biologische systemen is een fundamentele horde .

Technisch gezien is AIDO een stapel van verbonden AI-modellen, die elk gespecialiseerd zijn in één biologisch niveau:

• DNA/RNA-niveau – bv. AIDO.RNA (1,6 miljard parameters, getraind op 42 miljoen niet-coderende RNA-sequenties met resolutie op niveau van één nucleotide)
• Eiwitstructuurniveau – bv. AIDO.StructureTokenizer (een VQ-VAE model met 300 miljoen parameters voor het coderen van eiwitstructuren)
• Cel-niveau – bv. AIDO.Cell (dichte 'transformer'-modellen variërend van 3 tot 650 miljoen parameters voor genexpressie en celtoestand)
• Weefsel- en orgaanniveau
• Uitkomsten op gezondheidsniveau

Deze modules zijn zo ontworpen dat ze aan elkaar gekoppeld kunnen worden. Informatie stroomt tussen de schaalniveaus, zodat een verandering op DNA-niveau (bijv. een CRISPR-bewerking) doorgerekend kan worden naar de uiteindelijke klinische gevolgen .

GenBio AI's eerste concrete doelen: De virtuele cel en NVIDIA

Het directe praktische doel van GenBio AI is het bouwen van een 'virtuele cel' — een AI-wereldmodel dat celgedrag kan voorspellen en simuleren . Ze werken hierbij aan:

• VCHarness: een autonoom AI-systeem dat zelfstandig AI-modellen van menselijke cellen bouwt, test en verfijnt. Het bedrijf meldt dat VCHarness in dagen nieuwe modelarchitecturen kan ontdekken in plaats van maanden .
• Een formele samenwerking met NVIDIA, aangekondigd in juni 2026. GenBio AI gaat NVIDIA's chips, softwaretools en AI-frameworks gebruiken, met name het BioNeMo-platform, Megatron voor gedistribueerde training en de BioNeMo Agent Toolkit .

Vergelijking met het virtuele celplatform van Chan Zuckerberg BioHub

Kort gezegd: AIDO mikt op een meer verticaal geïntegreerde, complete organisator, maar is startup-gedreven en deels gesloten. CZI's aanpak is meer gericht op de cellulaire laag, volledig gericht op open wetenschap en gesteund door een veel grotere filantropische investering.

Erkende beperkingen en uitdagingen

In het Nature Medicine-artikel en de bijbehorende technische papers erkennen de onderzoekers een aantal grote uitdagingen:

• Vertekende en onvolledige trainingsdata. De modellen zijn slechts zo goed als de data waarop ze zijn getraind. Als bepaalde bevolkingsgroepen, afkomsten of ziektebeelden ondervertegenwoordigd zijn, levert het digitale organisme scheve of onbetrouwbare voorspellingen op .
• Variatie tussen patiënten. Genetische achtergrond, omgeving, levensstijl en bijkomende ziektes verschillen enorm per persoon. Eén 'digitaal organisme' dat voor alle mensen werkt, is een enorme uitdaging. De onderzoekers geven aan dat aanpassing aan individuele patiënten nog een onopgelost probleem is .
• Oorzaak en gevolg. AI-modellen zijn in de basis correlatiezoekers: ze leren statistische patronen, niet causale verbanden. De auteurs erkennen dat de stap van 'voorspellen wat er gebeurt' naar 'begrijpen waarom het gebeurt en welke ingreep werkt' het gebruik van speciale causale AI-frameworks vereist, waar de huidige AI nog mee worstelt .
• Schaal en rekenkracht. Het simuleren van een heel organisme vereist ongelooflijk veel rekenkracht en data die nog niet op de benodigde schaal bestaan .
• Validatie. Bewijzen dat de voorspellingen van een digitaal organisme kloppen in echte biologische systemen is een fundamentele horde .