Technicznie AIDO jest zbudowany jako stos połączonych modeli fundamentowych, z których każdy specjalizuje się w innym poziomie biologicznym:

• Poziom DNA/RNA – np. model AIDO.RNA (1,6 mld parametrów, trenowany na 42 mln sekwencji niekodującego RNA z rozdzielczością pojedynczego nukleotydu)
• Poziom struktury białek – np. AIDO.StructureTokenizer (model VQ-VAE z 300 mln parametrów do kodowania struktur białkowych)
• Poziom komórki – np. AIDO.Cell (transformerowe enkodery o liczbie parametrów od 3M do 650M dla ekspresji genów i stanu komórki)
• Poziom tkanek i narządów
• Poziom skutków zdrowotnych i klinicznych

Moduły są zaprojektowane jako komponenty, między którymi może przepływać informacja. Oznacza to, że zaburzenie na poziomie DNA (np. edycja CRISPR) może być „propagowane” w górę: przez funkcję białka, zachowanie komórki, reakcję tkanki, aż po przewidywane wyniki kliniczne .

Bliski cel GenBio AI i współpraca z NVIDIA

Bezpośrednim, praktycznym celem GenBio AI jest budowa „wirtualnej komórki” – modelu świata AI, który potrafi przewidywać, symulować i ostatecznie programować zachowanie komórek na różnych poziomach biologicznych . Kluczowe elementy tego planu to:

• VCHarness – autonomiczny system agentowy, który sam buduje, testuje i udoskonala modele AI ludzkich komórek. Firma twierdzi, że VCHarness jest w stanie odkryć nowe architektury w ciągu kilku dni, a nie miesięcy .
• Oficjalna współpraca z NVIDIA, ogłoszona w czerwcu 2026 roku. GenBio AI zamierza wykorzystać chipy NVIDIA, narzędzia do tworzenia modeli oraz agentowe frameworki – w szczególności integrację z platformą BioNeMo, systemem Megatron do rozproszonego trenowania oraz BioNeMo Agent Toolkit – aby przyspieszyć rozwój modeli wirtualnych komórek .

Porównanie z platformą wirtualnych komórek Chan Zuckerberg BioHub

Krótko mówiąc: AIDO dąży do bardziej zintegrowanego w pionie, pełnego stosu organizmu, ale jest wspierany przez startup i częściowo zastrzeżony. Podejście CZI jest bardziej skoncentrowane na warstwie komórkowej, silnie ukierunkowane na otwartą naukę i wspierane przez znacznie większe zobowiązania filantropijne.

Uznane ograniczenia i wyzwania

Perspektywa AIDO z Nature Medicine oraz powiązane artykuły techniczne wymieniają kilka głównych wyzwań:

• Tendencyjne i niekompletne dane treningowe. Modele są tak dobre, jak zbiory danych, na których są trenowane. Jeśli dane treningowe niedostatecznie reprezentują pewne populacje, grupy etniczne lub stany chorobowe, cyfrowy organizm będzie generować wypaczone lub niewiarygodne przewidywania. Literatura ogólna dotycząca AI w medycynie wskazuje, że niewystarczające próbki dla niektórych grup pacjentów prowadzą do gorszej wydajności i klinicznie bezsensownych prognoz .
• Zmienność między pacjentami. Indywidualne tło genetyczne, środowisko, styl życia i choroby współistniejące tworzą ogromną heterogeniczność. Stworzenie jednego „cyfrowego organizmu”, który uogólnia się na wszystkich ludzi, jest niezwykle trudne; naukowcy zauważają, że dostosowanie do konkretnego pacjenta pozostaje otwartym problemem .
• Wnioskowanie przyczynowe. Modele fundamentowe są zasadniczo silnikami korelacji – uczą się statystycznych wzorców w danych, a nie mechanizmów przyczynowych. Autorzy przyznają, że przejście od „przewidywania, co się stanie” do „zrozumienia, dlaczego tak się dzieje i jaka interwencja zmieniłaby wynik” wymaga zintegrowania ram wnioskowania przyczynowego, z czym tradycyjne uczenie maszynowe ma trudności . Szersza literatura potwierdza, że AI oparta na korelacjach w biologii często działa jak „czarna skrzynka”, a określenie ilościowe przyczynowego efektu interwencji jest odrębnym, nierozwiązanym wyzwaniem .
• Skala i moc obliczeniowa. Symulacja całego organizmu z wystarczającą wiernością wymaga ogromnych zasobów obliczeniowych i danych, które jeszcze nie istnieją w potrzebnej skali .
• Walidacja. Udowodnienie, że przewidywania cyfrowego organizmu są prawdziwe w rzeczywistych układach biologicznych – i że uogólniają się one poza swoją dystrybucję treningową – to podstawowa przeszkoda, którą dziedzina dopiero zaczyna pokonywać .

Technicznie AIDO jest zbudowany jako stos połączonych modeli fundamentowych, z których każdy specjalizuje się w innym poziomie biologicznym:

• Poziom DNA/RNA – np. model AIDO.RNA (1,6 mld parametrów, trenowany na 42 mln sekwencji niekodującego RNA z rozdzielczością pojedynczego nukleotydu)
• Poziom struktury białek – np. AIDO.StructureTokenizer (model VQ-VAE z 300 mln parametrów do kodowania struktur białkowych)
• Poziom komórki – np. AIDO.Cell (transformerowe enkodery o liczbie parametrów od 3M do 650M dla ekspresji genów i stanu komórki)
• Poziom tkanek i narządów
• Poziom skutków zdrowotnych i klinicznych

Moduły są zaprojektowane jako komponenty, między którymi może przepływać informacja. Oznacza to, że zaburzenie na poziomie DNA (np. edycja CRISPR) może być „propagowane” w górę: przez funkcję białka, zachowanie komórki, reakcję tkanki, aż po przewidywane wyniki kliniczne .

Bliski cel GenBio AI i współpraca z NVIDIA

Bezpośrednim, praktycznym celem GenBio AI jest budowa „wirtualnej komórki” – modelu świata AI, który potrafi przewidywać, symulować i ostatecznie programować zachowanie komórek na różnych poziomach biologicznych . Kluczowe elementy tego planu to:

• VCHarness – autonomiczny system agentowy, który sam buduje, testuje i udoskonala modele AI ludzkich komórek. Firma twierdzi, że VCHarness jest w stanie odkryć nowe architektury w ciągu kilku dni, a nie miesięcy .
• Oficjalna współpraca z NVIDIA, ogłoszona w czerwcu 2026 roku. GenBio AI zamierza wykorzystać chipy NVIDIA, narzędzia do tworzenia modeli oraz agentowe frameworki – w szczególności integrację z platformą BioNeMo, systemem Megatron do rozproszonego trenowania oraz BioNeMo Agent Toolkit – aby przyspieszyć rozwój modeli wirtualnych komórek .

Porównanie z platformą wirtualnych komórek Chan Zuckerberg BioHub

Krótko mówiąc: AIDO dąży do bardziej zintegrowanego w pionie, pełnego stosu organizmu, ale jest wspierany przez startup i częściowo zastrzeżony. Podejście CZI jest bardziej skoncentrowane na warstwie komórkowej, silnie ukierunkowane na otwartą naukę i wspierane przez znacznie większe zobowiązania filantropijne.

Uznane ograniczenia i wyzwania

Perspektywa AIDO z Nature Medicine oraz powiązane artykuły techniczne wymieniają kilka głównych wyzwań:

• Tendencyjne i niekompletne dane treningowe. Modele są tak dobre, jak zbiory danych, na których są trenowane. Jeśli dane treningowe niedostatecznie reprezentują pewne populacje, grupy etniczne lub stany chorobowe, cyfrowy organizm będzie generować wypaczone lub niewiarygodne przewidywania. Literatura ogólna dotycząca AI w medycynie wskazuje, że niewystarczające próbki dla niektórych grup pacjentów prowadzą do gorszej wydajności i klinicznie bezsensownych prognoz .
• Zmienność między pacjentami. Indywidualne tło genetyczne, środowisko, styl życia i choroby współistniejące tworzą ogromną heterogeniczność. Stworzenie jednego „cyfrowego organizmu”, który uogólnia się na wszystkich ludzi, jest niezwykle trudne; naukowcy zauważają, że dostosowanie do konkretnego pacjenta pozostaje otwartym problemem .
• Wnioskowanie przyczynowe. Modele fundamentowe są zasadniczo silnikami korelacji – uczą się statystycznych wzorców w danych, a nie mechanizmów przyczynowych. Autorzy przyznają, że przejście od „przewidywania, co się stanie” do „zrozumienia, dlaczego tak się dzieje i jaka interwencja zmieniłaby wynik” wymaga zintegrowania ram wnioskowania przyczynowego, z czym tradycyjne uczenie maszynowe ma trudności . Szersza literatura potwierdza, że AI oparta na korelacjach w biologii często działa jak „czarna skrzynka”, a określenie ilościowe przyczynowego efektu interwencji jest odrębnym, nierozwiązanym wyzwaniem .
• Skala i moc obliczeniowa. Symulacja całego organizmu z wystarczającą wiernością wymaga ogromnych zasobów obliczeniowych i danych, które jeszcze nie istnieją w potrzebnej skali .
• Walidacja. Udowodnienie, że przewidywania cyfrowego organizmu są prawdziwe w rzeczywistych układach biologicznych – i że uogólniają się one poza swoją dystrybucję treningową – to podstawowa przeszkoda, którą dziedzina dopiero zaczyna pokonywać .