Blåkopi og arkitektur: En modulær stabel av fundamentmodeller

AIDO er ikke én enkelt modell, men et modulært, sammenkoblbart, helhetlig system av transformerbaserte fundamentmodeller, hver spesialisert på én biologisk skala :

• AIDO.DNA — modellerer genomsekvensen, legger grunnlaget for å forstå genetisk variasjon og dens nedstrøms effekter .
• AIDO.RNA — en 1,6 milliarder-parameter-modell forhåndstrent på 42 millioner ikke-kodende RNA-sekvenser med enkeltnukleotidoppløsning .
• AIDO.Protein — lærer proteinsekvens, struktur og funksjon .
• AIDO.Cell — en serie av encoder-only tette Transformermodeller med opptil 650 millioner parametere, forhåndstrent på 50 millioner humane celler fra ulike vev og dekker omtrent 20 000 gener per celle .
• AIDO.Tissue — modellerer vevsnivåatferd og celleinteraksjoner .
• AIDO.Biology — et overordnet «verdensmodell»-lag som integrerer på tvers av alle lavere skalaer for å simulere utfall på organismenivå .

Det kritiske designvalget er at disse modulene er sammenkoblbare – slik at en enkelt perturbasjon, for eksempel et nytt legemiddelmolekyl eller en genetisk redigering, kan spores logisk på tvers av skalaer: fra molekylær interaksjon gjennom cellulær respons og vevseffekt, helt til et forutsagt helseutfall .

Mål: En flerskala-simulator og «verdensmodell» av biologi

Den sentrale ambisjonen er å skape en beregningsmessig «verdensmodell» av biologi som kan simulere hvordan en endring på DNA-nivå forplanter seg gjennom proteiner, celler, vev og fenotyper på organismenivå . Dette vil tillate forskere å:

• Simulere sykdommer og komplekse biologiske prosesser beregningsmessig, og omgå år med våtlab-eksperimentering .
• Forutsi legemiddeleffekter og toksisitet før noen våtlab-eksperimenter kjøres, noe som dramatisk krymper antallet kandidater som må testes fysisk .
• Raskt teste millioner av in silico-perturbasjoner, og snevre inn kandidatpuljen for eksperimentell validering til bare de mest lovende .

Prosjektet er blitt beskrevet som å bygge en «flysimulator» for medisin, der forskere kan eksperimentere virtuelt før de forplikter seg til virkelige eksperimenter .

Sammenligning med andre virtuelle celleprosjekter

Konseptet med en AI-drevet virtuell celle er ikke unikt for AIDO-teamet. Chan Zuckerberg BioHub (CZI), i samarbeid med Stanford og Genentech, publiserte en samtidig Nature-artikkel (desember 2024) om AI Virtual Cells (AIVCs) – flerskala, multimodale store nevrale nettverksmodeller designet for å representere molekyler, celler og vev . CZI arrangerte også en Virtual Cells Workshop som identifiserte mange av de samme flaskehalsene, inkludert dataheterogenitet, støy, reproduserbarhetsutfordringer og behovet for bedre multimodale benchmarker .

Viktige forskjeller mellom de to flaggskipprosjektene:

Til tross for forskjeller i omfang og stadium, deler begge prosjektene den samme grunnleggende utfordringen: å integrere svært heterogene omics-data – enkeltcelle-RNA-seq, proteomikk, epigenomikk, metabolomikk – i samlede, sammenhengende modeller .

Erkjente begrensninger

AIDO-artikkelen og tilhørende dekning identifiserer flere betydelige begrensninger som demper den første entusiasmen :

• Skjeve og ufullstendige treningsdata: Nåværende biologiske datasett er sterkt skjevt mot godt studerte cellelinjer, vanlige sykdommer og populasjoner av europeisk avstamning. Dette kan skjeve modellprediksjoner og potensielt forverre demografiske ulikheter i helsetjenesten .
• Pasientvariasjon: Menneskelig biologisk mangfold på tvers av genetisk bakgrunn, alder og helsestatus er enormt og dårlig fanget opp av eksisterende treningskohorter. Forfatterne påpeker eksplisitt at modellene kan mislykkes i å generalisere når de brukes på underrepresenterte populasjoner .
• Heterogen dataintegrasjon: Å smelte sammen data på tvers av modaliteter – fra transkriptomikk til proteomikk til bildedata til kliniske journaler – er fortsatt teknisk vanskelig på grunn av forskjeller i skala, måleusikkerhet og manglende datamønstre .
• Mangel på standardiserte benchmarker: Uten tverrfaglige evalueringsrammeverk forblir det vanskelig å objektivt sammenligne modeller fra ulike grupper eller vurdere robusthet i den virkelige verden .

Anvendelser: Silings av legemiddelkandidater og smittevernrespons

To anvendelser fremheves mest fremtredende som nærmere mål for AIDO :

• Silings av legemiddelkandidater: AIDO kan simulere millioner av forbindelser in silico, forutsi deres molekylære binding, cellulære respons, toksisitet på vevsnivå og effekt på organismenivå før noe våtlab-arbeid. Dette vil dramatisk krympe puljen av kandidater som trenger eksperimentell testing, og redusere både kostnader og feilrater i preklinisk utvikling .

• Akselerere respons på smitteutbrudd: Fordi systemet er modulært og trent på fundamentale biologiske mønstre (snarere enn bare én enkelt patogen), kan det raskt tilpasses for å modellere en ny virus- eller bakterietrussel. Forskere kan simulere infeksjonsdynamikk, teste biblioteker av eksisterende legemidler for gjenbruk, og forutsi immunresponser på tvers av den virtuelle organismen i løpet av dager eller uker i stedet for måneder .

Blåkopi og arkitektur: En modulær stabel av fundamentmodeller

AIDO er ikke én enkelt modell, men et modulært, sammenkoblbart, helhetlig system av transformerbaserte fundamentmodeller, hver spesialisert på én biologisk skala :

• AIDO.DNA — modellerer genomsekvensen, legger grunnlaget for å forstå genetisk variasjon og dens nedstrøms effekter .
• AIDO.RNA — en 1,6 milliarder-parameter-modell forhåndstrent på 42 millioner ikke-kodende RNA-sekvenser med enkeltnukleotidoppløsning .
• AIDO.Protein — lærer proteinsekvens, struktur og funksjon .
• AIDO.Cell — en serie av encoder-only tette Transformermodeller med opptil 650 millioner parametere, forhåndstrent på 50 millioner humane celler fra ulike vev og dekker omtrent 20 000 gener per celle .
• AIDO.Tissue — modellerer vevsnivåatferd og celleinteraksjoner .
• AIDO.Biology — et overordnet «verdensmodell»-lag som integrerer på tvers av alle lavere skalaer for å simulere utfall på organismenivå .

Det kritiske designvalget er at disse modulene er sammenkoblbare – slik at en enkelt perturbasjon, for eksempel et nytt legemiddelmolekyl eller en genetisk redigering, kan spores logisk på tvers av skalaer: fra molekylær interaksjon gjennom cellulær respons og vevseffekt, helt til et forutsagt helseutfall .

Mål: En flerskala-simulator og «verdensmodell» av biologi

Den sentrale ambisjonen er å skape en beregningsmessig «verdensmodell» av biologi som kan simulere hvordan en endring på DNA-nivå forplanter seg gjennom proteiner, celler, vev og fenotyper på organismenivå . Dette vil tillate forskere å:

• Simulere sykdommer og komplekse biologiske prosesser beregningsmessig, og omgå år med våtlab-eksperimentering .
• Forutsi legemiddeleffekter og toksisitet før noen våtlab-eksperimenter kjøres, noe som dramatisk krymper antallet kandidater som må testes fysisk .
• Raskt teste millioner av in silico-perturbasjoner, og snevre inn kandidatpuljen for eksperimentell validering til bare de mest lovende .

Prosjektet er blitt beskrevet som å bygge en «flysimulator» for medisin, der forskere kan eksperimentere virtuelt før de forplikter seg til virkelige eksperimenter .

Sammenligning med andre virtuelle celleprosjekter

Konseptet med en AI-drevet virtuell celle er ikke unikt for AIDO-teamet. Chan Zuckerberg BioHub (CZI), i samarbeid med Stanford og Genentech, publiserte en samtidig Nature-artikkel (desember 2024) om AI Virtual Cells (AIVCs) – flerskala, multimodale store nevrale nettverksmodeller designet for å representere molekyler, celler og vev . CZI arrangerte også en Virtual Cells Workshop som identifiserte mange av de samme flaskehalsene, inkludert dataheterogenitet, støy, reproduserbarhetsutfordringer og behovet for bedre multimodale benchmarker .

Viktige forskjeller mellom de to flaggskipprosjektene:

Til tross for forskjeller i omfang og stadium, deler begge prosjektene den samme grunnleggende utfordringen: å integrere svært heterogene omics-data – enkeltcelle-RNA-seq, proteomikk, epigenomikk, metabolomikk – i samlede, sammenhengende modeller .

Erkjente begrensninger

AIDO-artikkelen og tilhørende dekning identifiserer flere betydelige begrensninger som demper den første entusiasmen :

• Skjeve og ufullstendige treningsdata: Nåværende biologiske datasett er sterkt skjevt mot godt studerte cellelinjer, vanlige sykdommer og populasjoner av europeisk avstamning. Dette kan skjeve modellprediksjoner og potensielt forverre demografiske ulikheter i helsetjenesten .
• Pasientvariasjon: Menneskelig biologisk mangfold på tvers av genetisk bakgrunn, alder og helsestatus er enormt og dårlig fanget opp av eksisterende treningskohorter. Forfatterne påpeker eksplisitt at modellene kan mislykkes i å generalisere når de brukes på underrepresenterte populasjoner .
• Heterogen dataintegrasjon: Å smelte sammen data på tvers av modaliteter – fra transkriptomikk til proteomikk til bildedata til kliniske journaler – er fortsatt teknisk vanskelig på grunn av forskjeller i skala, måleusikkerhet og manglende datamønstre .
• Mangel på standardiserte benchmarker: Uten tverrfaglige evalueringsrammeverk forblir det vanskelig å objektivt sammenligne modeller fra ulike grupper eller vurdere robusthet i den virkelige verden .

Anvendelser: Silings av legemiddelkandidater og smittevernrespons

To anvendelser fremheves mest fremtredende som nærmere mål for AIDO :

• Silings av legemiddelkandidater: AIDO kan simulere millioner av forbindelser in silico, forutsi deres molekylære binding, cellulære respons, toksisitet på vevsnivå og effekt på organismenivå før noe våtlab-arbeid. Dette vil dramatisk krympe puljen av kandidater som trenger eksperimentell testing, og redusere både kostnader og feilrater i preklinisk utvikling .

• Akselerere respons på smitteutbrudd: Fordi systemet er modulært og trent på fundamentale biologiske mønstre (snarere enn bare én enkelt patogen), kan det raskt tilpasses for å modellere en ny virus- eller bakterietrussel. Forskere kan simulere infeksjonsdynamikk, teste biblioteker av eksisterende legemidler for gjenbruk, og forutsi immunresponser på tvers av den virtuelle organismen i løpet av dager eller uker i stedet for måneder .