Чертеж и архитектура: модульный стек фундаментальных моделей

AIDO — это не одна модель, а модульная, соединяемая, холистическая система из фундаментальных моделей на основе трансформеров, каждая из которых специализируется на одном биологическом уровне :

• AIDO.DNA — моделирует геномную последовательность, закладывая основу для понимания генетических вариаций и их последствий .
• AIDO.RNA — модель с 1,6 миллиарда параметров, предварительно обученная на 42 миллионах последовательностей некодирующей РНК с разрешением в один нуклеотид .
• AIDO.Protein — изучает последовательность, структуру и функцию белков .
• AIDO.Cell — серия плотных моделей-трансформеров (до 650 млн параметров), обученная на 50 миллионах человеческих клеток из разных тканей и охватывающая около 20 000 генов на клетку .
• AIDO.Tissue — моделирует поведение тканей и клеточные взаимодействия .
• AIDO.Biology — вышестоящий уровень «мировой модели», который интегрирует данные всех нижних уровней для симуляции результатов на уровне организма .

Ключевая особенность конструкции — модули подключаются друг к другу. Это значит, что одно воздействие (например, новое лекарственное соединение или генетическое редактирование) можно логически проследить через все уровни: от молекулярного взаимодействия до клеточного ответа, тканевого эффекта и, в конечном итоге, прогноза для здоровья .

Цель: многоуровневый симулятор и «мировая модель» биологии

Главная амбиция — создать вычислительную «мировую модель» биологии, способную симулировать, как изменение на уровне ДНК распространяется через белки, клетки, ткани и в итоге отражается на фенотипе всего организма . Это позволит исследователям:

• Симулировать болезни и сложные биологические процессы вычислительно, обходясь без многолетних лабораторных экспериментов .
• Предсказывать эффекты и токсичность лекарств до реального эксперимента, радикально сокращая число кандидатов, которые нужно проверять физически .
• Быстро тестировать миллионы виртуальных вмешательств, оставляя для экспериментальной проверки только самые перспективные варианты .

Проект уже окрестили «авиасимулятором для медицины»: ученые смогут проводить виртуальные опыты, прежде чем приступать к реальным .

Сравнение с другими проектами «виртуальной клетки»

Концепция «виртуальной клетки» на базе ИИ не уникальна для команды AIDO. Chan Zuckerberg BioHub (CZI) совместно со Стэнфордом и Genentech опубликовал параллельную статью в Nature (декабрь 2024) об AI Virtual Cells (AIVC) — больших нейросетевых моделях, представляющих молекулы, клетки и ткани . CZI также провел семинар по виртуальным клеткам, который выявил сходные узкие места: неоднородность данных, шум, проблемы воспроизводимости и нехватку кросс-модальных эталонов .

Ключевые различия двух флагманских проектов:

Несмотря на разницу в охвате и стадии, оба проекта сталкиваются с одной фундаментальной проблемой: интеграция крайне разнородных «омиксных» данных — одноклеточного РНК-секвенирования, протеомики, эпигеномики, метаболомики — в единые согласованные модели .

Признанные ограничения

Статья AIDO и сопутствующие материалы называют несколько серьезных ограничений, которые умеряют восторг :

• Смещение и неполнота тренировочных данных: Современные биологические наборы смещены в сторону хорошо изученных клеточных линий, распространенных заболеваний и популяций европейского происхождения. Это может искажать прогнозы модели и усугублять неравенство в здравоохранении .
• Вариабельность пациентов: Биологическое разнообразие людей — по генетике, возрасту, здоровью — огромно и плохо отражено в существующих когортах. Авторы прямо отмечают: модели могут не обобщаться на недостаточно представленные популяции .
• Интеграция разнородных данных: Соединение данных разных типов (транскриптомика, протеомика, изображения, медицинские записи) остается технически сложным из-за различий в масштабе, шуме измерения и пропусках данных .
• Отсутствие единых эталонов: Без кросс-дисциплинарных платформ оценки трудно объективно сравнивать модели разных групп или проверять их устойчивость в реальном мире .

Применения: фильтрация кандидатов в лекарства и реакция на вспышки

Два применения выделяются как ближайшие цели AIDO :

• Фильтрация кандидатов в лекарства: AIDO может симулировать миллионы соединений in silico, предсказывая их молекулярное связывание, клеточный ответ, тканевую токсичность и эффективность на уровне организма до любых лабораторных работ. Это резко сужает круг кандидатов для тестирования, сокращая затраты и процент неудач на доклинической стадии .
• Ускорение реакции на вспышки инфекционных болезней: Благодаря модульной конструкции и обучению на фундаментальных биологических закономерностях, систему можно быстро адаптировать к моделированию нового вируса. Исследователи смогут симулировать динамику заражения, тестировать библиотеки готовых препаратов для репозиции и прогнозировать иммунный ответ за дни или недели, а не месяцы .

Чертеж и архитектура: модульный стек фундаментальных моделей

AIDO — это не одна модель, а модульная, соединяемая, холистическая система из фундаментальных моделей на основе трансформеров, каждая из которых специализируется на одном биологическом уровне :

• AIDO.DNA — моделирует геномную последовательность, закладывая основу для понимания генетических вариаций и их последствий .
• AIDO.RNA — модель с 1,6 миллиарда параметров, предварительно обученная на 42 миллионах последовательностей некодирующей РНК с разрешением в один нуклеотид .
• AIDO.Protein — изучает последовательность, структуру и функцию белков .
• AIDO.Cell — серия плотных моделей-трансформеров (до 650 млн параметров), обученная на 50 миллионах человеческих клеток из разных тканей и охватывающая около 20 000 генов на клетку .
• AIDO.Tissue — моделирует поведение тканей и клеточные взаимодействия .
• AIDO.Biology — вышестоящий уровень «мировой модели», который интегрирует данные всех нижних уровней для симуляции результатов на уровне организма .

Ключевая особенность конструкции — модули подключаются друг к другу. Это значит, что одно воздействие (например, новое лекарственное соединение или генетическое редактирование) можно логически проследить через все уровни: от молекулярного взаимодействия до клеточного ответа, тканевого эффекта и, в конечном итоге, прогноза для здоровья .

Цель: многоуровневый симулятор и «мировая модель» биологии

Главная амбиция — создать вычислительную «мировую модель» биологии, способную симулировать, как изменение на уровне ДНК распространяется через белки, клетки, ткани и в итоге отражается на фенотипе всего организма . Это позволит исследователям:

• Симулировать болезни и сложные биологические процессы вычислительно, обходясь без многолетних лабораторных экспериментов .
• Предсказывать эффекты и токсичность лекарств до реального эксперимента, радикально сокращая число кандидатов, которые нужно проверять физически .
• Быстро тестировать миллионы виртуальных вмешательств, оставляя для экспериментальной проверки только самые перспективные варианты .

Проект уже окрестили «авиасимулятором для медицины»: ученые смогут проводить виртуальные опыты, прежде чем приступать к реальным .

Сравнение с другими проектами «виртуальной клетки»

Концепция «виртуальной клетки» на базе ИИ не уникальна для команды AIDO. Chan Zuckerberg BioHub (CZI) совместно со Стэнфордом и Genentech опубликовал параллельную статью в Nature (декабрь 2024) об AI Virtual Cells (AIVC) — больших нейросетевых моделях, представляющих молекулы, клетки и ткани . CZI также провел семинар по виртуальным клеткам, который выявил сходные узкие места: неоднородность данных, шум, проблемы воспроизводимости и нехватку кросс-модальных эталонов .

Ключевые различия двух флагманских проектов:

Несмотря на разницу в охвате и стадии, оба проекта сталкиваются с одной фундаментальной проблемой: интеграция крайне разнородных «омиксных» данных — одноклеточного РНК-секвенирования, протеомики, эпигеномики, метаболомики — в единые согласованные модели .

Признанные ограничения

Статья AIDO и сопутствующие материалы называют несколько серьезных ограничений, которые умеряют восторг :

• Смещение и неполнота тренировочных данных: Современные биологические наборы смещены в сторону хорошо изученных клеточных линий, распространенных заболеваний и популяций европейского происхождения. Это может искажать прогнозы модели и усугублять неравенство в здравоохранении .
• Вариабельность пациентов: Биологическое разнообразие людей — по генетике, возрасту, здоровью — огромно и плохо отражено в существующих когортах. Авторы прямо отмечают: модели могут не обобщаться на недостаточно представленные популяции .
• Интеграция разнородных данных: Соединение данных разных типов (транскриптомика, протеомика, изображения, медицинские записи) остается технически сложным из-за различий в масштабе, шуме измерения и пропусках данных .
• Отсутствие единых эталонов: Без кросс-дисциплинарных платформ оценки трудно объективно сравнивать модели разных групп или проверять их устойчивость в реальном мире .

Применения: фильтрация кандидатов в лекарства и реакция на вспышки

Два применения выделяются как ближайшие цели AIDO :

• Фильтрация кандидатов в лекарства: AIDO может симулировать миллионы соединений in silico, предсказывая их молекулярное связывание, клеточный ответ, тканевую токсичность и эффективность на уровне организма до любых лабораторных работ. Это резко сужает круг кандидатов для тестирования, сокращая затраты и процент неудач на доклинической стадии .
• Ускорение реакции на вспышки инфекционных болезней: Благодаря модульной конструкции и обучению на фундаментальных биологических закономерностях, систему можно быстро адаптировать к моделированию нового вируса. Исследователи смогут симулировать динамику заражения, тестировать библиотеки готовых препаратов для репозиции и прогнозировать иммунный ответ за дни или недели, а не месяцы .