GenBio AI:s AIDO Cell förklarad

Det är den praktiska innebörden av att kalla AIDO Cell en ”world model”: systemet ska representera hur cellens tillstånd förändras över tid och efter flera ingrepp, snarare än bara klassificera ett statiskt biologiskt prov.

Hur skiljer den sig från AlphaFold?

AlphaFold är främst förknippat med att förutsäga strukturen hos ett enskilt protein. AIDO Cell har ett bredare, systembiologiskt mål: att modellera hur en hel cells molekylära maskineri fungerar och hur förändringar på en biologisk nivå påverkar andra nivåer.

Det betyder inte att AIDO Cell ersätter proteinstrukturmodeller. Verktygen försöker svara på olika frågor. AlphaFold kan förenklat beskrivas som ett verktyg för frågan ”hur kan det här proteinet se ut?”, medan AIDO Cell ska utforska ”vad händer med hela cellen när dess molekylära komponenter eller förutsättningar förändras?”.

Modellen bygger vidare på GenBio AI:s tidigare arbete med grundmodeller för enskilda celler. Modellfamiljen AIDO.Cell tränades på omkring 50 miljoner mänskliga celler och omfattar modeller med mellan 3 miljoner och 650 miljoner parametrar. Den tidigare inriktningen var framför allt att representera transkriptomiskt sammanhang. Den nya riktningen mot en virtuell cell försöker utvidga detta till en integrerad simulering över flera biologiska skalor.

AIDO:s tredelade strategi

AIDO Cell är en del av GenBio AI:s större program AI-Driven Digital Organism, eller AIDO. Färdplanen består av tre steg:

1. Dela upp och bemästra: Bygg specialiserade grundmodeller för olika biologiska datatyper och nivåer, däribland DNA, RNA, proteiner, celler och vävnader.
2. Knyt ihop: Koppla samman modellerna så att information, representationer och biologiska störningar kan föras mellan olika skalor.
3. Simulera och programmera: Använd det sammankopplade systemet för att förutsäga biologiska utfall och på sikt bidra till att utforma interventioner i biologiska system. Detta är AIDO:s långsiktiga vision, inte en förmåga som har etablerats av den nuvarande förhandsversionen av AIDO Cell.

GenBio AI har tidigare beskrivit AIDO som ett system av flerskaliga modeller för bland annat DNA, RNA, proteiner och genuttryck i enskilda celler. Utmaningen är inte bara att träna större modeller, utan att få de separata biologiska representationerna att fungera tillsammans på ett sätt som ger användbara simuleringar och förutsägelser som går att testa experimentellt.

Vad visade demonstrationen med imatinib?

I sin första fallstudie uppgav GenBio AI att AIDO Cell återskapade de etablerade effekterna och verkningsmekanismen hos imatinib i K562-leukemiceller. Demonstrationen skulle visa hur modellen kan följa ett läkemedels konsekvenser genom den modellerade cellmiljön.

Det är ett viktigt konceptbevis, men ska inte blandas ihop med en framåtblickande validering. Att i efterhand återskapa känd biologi visar inte att modellen kan förutsäga responsen på ett oprövat läkemedel, hitta en ny fungerande substans eller prestera bättre än enklare beräkningsmetoder. Den offentliga rapporteringen redovisade inte heller de kvantitativa träffsäkerhetsmåtten, statistiska analyserna, direkta jämförelserna eller den prospektiva experimentella validering som skulle krävas för starkare slutsatser.

Vilka celler stöds i dag?

Den aktuella förhandsversionen av AIDO Cell stöder två immortaliserade mänskliga cellinjer:

• K562, som användes i den rapporterade imatinibstudien
• HepG2

GenBio AI har beskrivit fler celltyper och funktioner som planerade utvidgningar under 2026–2027. Det är betydelsefullt, eftersom resultat från ett litet antal immortaliserade cellinjer inte automatiskt kan generaliseras till primära mänskliga celler, vävnader eller patienter.

Hur kan den bidra till läkemedelsutveckling?

En virtuell cell skulle kunna göra delar av läkemedelsutvecklingen mer effektiv genom att låta forskare pröva många hypoteser innan varje idé skickas vidare till laboratoriet. I princip skulle användare kunna jämföra substanskandidater, målproteiner, kombinationer och behandlingssekvenser och samtidigt leta efter signaler på effekt, resistens eller möjliga effekter utanför det avsedda målet.

Den mest realistiska användningen på kort sikt är därför prioritering av kandidater. AIDO Cell kan potentiellt hjälpa forskare att avgöra vilka substanser som förtjänar dyrare experiment, vilka biologiska störningar som är värda att testa och vilka resultat som kan avslöja svagheter i försöksupplägget. Modellen kan också bidra till mer informativa uppföljningsstudier genom att visa hur en respons förändras efter en tidigare intervention.

Det är en funktion för sållning och planering – inte en klinisk garanti. En cellinjemodell fångar inte i sig läkemedlets omsättning i hela kroppen, samspelet med immunförsvar och vävnader, skillnader mellan patienter, toxicitet eller kliniska utfall. En virtuell cell är inte en komplett virtuell människa, och ett simulerat svar kan inte ersätta djurstudier, kliniska prövningar eller regulatoriska bevis.

Den centrala begränsningen: förutsägelser måste fungera i biologin

Det avgörande testet för AIDO Cell blir prospektiv validering: kan modellen förutsäga svar som inte användes när demonstrationen byggdes, och håller dessa förutsägelser i kontrollerade experiment?

Tills sådana resultat finns är den mest försvarbara beskrivningen att AIDO Cell är ett lovande lager för virtuell screening och experimentplanering. Den flerskaliga och tillståndsbaserade designen kan göra biologiska simuleringar mer realistiska och användbara än isolerade molekyl- eller transkriptommodeller. Men arkitekturen i sig bevisar inte att förutsägelserna är träffsäkra. Avståndet mellan att återskapa känd biologi och att upptäcka ny, tillförlitlig biologi är fortfarande den avgörande vetenskapliga utmaningen.

Tillgång och aktuell status

GenBio AI förbereder ett program för tidig tillgång riktat till akademiska forskare samt forskare inom bioteknik och läkemedelsindustrin. För närvarande bör AIDO Cell därför ses som ett tidigt forskningssystem: ambitiöst till sin omfattning, potentiellt värdefullt för att minska antalet experimentella blindspår och fortfarande i behov av prospektiva belägg innan starkare påståenden om läkemedelsutveckling eller ersättning av biologiska experiment kan göras.