เปิดพิมพ์เขียว ‘AIDO’ สิ่งมีชีวิตดิจิทัลจำลองชีวะตั้งแต่ DNA สู่ผลลัพธ์สุขภาพ

วารสาร Nature Medicine ตีพิมพ์บทความ Perspective ชื่อ "How to build an AI-driven digital organism" โดยทีมนักวิจัยนำโดย Eric Xing, Eran Segal, Le Song และคณะ ซึ่งวางพิมพ์เขียวของระบบที่เรียกว่า AI-Driven Digital Organism (AIDO) เป้าหมายของ AIDO คือการเป็นระบบโมเดลพื้นฐาน (foundation models) แบบบูรณาการหลายระดับสเกล ที่สามารถทำนาย จำลอง และโปรแกรมชีววิทยาตั้งแต่ระดับโมเลกุลเดี่ยว ไปจนถึงเซลล์ เนื้อเยื่อ และทั้งสิ่งมีชีวิต โดยเปลี่ยนการค้นพบทางชีววิทยาและการแพทย์จากการทดลองจริงที่ช้าและมีค่าใช้จ่ายสูง มาเป็นการนำทางเชิงโครงสร้างใน "โมเดลโลก" (world model) ทางชีววิทยาแบบเสมือน โดยเฟสแรกของ AIDO ถูกปล่อยโดย GenBio AI ในเดือนธันวาคม 2024

โครงสร้าง AIDO: ระบบ Foundation Models แบบโมดูลาร์

AIDO ไม่ใช่โมเดลเดียว แต่เป็น ระบบโมดูลาร์ที่เชื่อมต่อกันได้แบบองค์รวม ซึ่งประกอบด้วยโมเดล transformer พื้นฐานหลายตัว แต่ละตัวเชี่ยวชาญชีววิทยาในสเกลหนึ่ง :

• AIDO.DNA — จำลองลำดับจีโนม เพื่อทำความเข้าใจการแปรผันทางพันธุกรรม
• AIDO.RNA — โมเดล 1.6 พันล้านพารามิเตอร์ ฝึกฝนจากลำดับ RNA ที่ไม่เข้ารหัสโปรตีน 42 ล้านลำดับ ด้วยความละเอียดระดับนิวคลีโอไทด์เดี่ยว
• AIDO.Protein — เรียนรู้ลำดับ โครงสร้าง และหน้าที่ของโปรตีน
• AIDO.Cell — ซีรีส์โมเดล Transformer แบบ encoder-only สูงสุด 650 ล้านพารามิเตอร์ ฝึกฝนจากเซลล์มนุษย์ 50 ล้านเซลล์ครอบคลุมเนื้อเยื่อหลากหลาย และยีนประมาณ 20,000 ยีนต่อเซลล์
• AIDO.Tissue — จำลองพฤติกรรมระดับเนื้อเยื่อและปฏิสัมพันธ์ระหว่างเซลล์
• AIDO.Biology — ระบบ "โมเดลโลก" ที่บูรณาการข้อมูลทุกระดับล่างเข้าด้วยกันเพื่อจำลองผลลัพธ์ระดับสิ่งมีชีวิต

หัวใจสำคัญคือโมดูลเหล่านี้ สามารถเชื่อมต่อกันได้ เพื่อให้การรบกวนจุดใดจุดหนึ่ง (เช่น ยาตัวใหม่หรือการแก้ไขยีน) สามารถถูกติดตามเชิงตรรกะข้ามสเกลได้: จากปฏิสัมพันธ์ระดับโมเลกุล สู่การตอบสนองของเซลล์ ผลต่อเนื้อเยื่อ จนถึงการทำนายผลลัพธ์สุขภาพ

เป้าหมาย: เครื่องจำลองหลายสเกล และ "โมเดลโลก" ทางชีววิทยา

ความทะเยอทะยานหลักคือการสร้าง "โมเดลโลก" ทางชีววิทยา ที่สามารถจำลองว่าการเปลี่ยนแปลงระดับ DNA แพร่กระจายผ่านโปรตีน เซลล์ เนื้อเยื่อ ไปจนถึงฟีโนไทป์ระดับสิ่งมีชีวิตได้อย่างไร ซึ่งจะช่วยให้นักวิจัยสามารถ:

• จำลองโรคและกระบวนการทางชีววิทยาที่ซับซ้อน โดยใช้คอมพิวเตอร์ ข้ามขั้นตอนการทดลองในห้องปฏิบัติการที่กินเวลาหลายปี
• ทำนายฤทธิ์และความเป็นพิษของยาก่อนการทดลองจริง ลดจำนวนตัวเลือกที่ต้องทดสอบทางกายภาพลงอย่างมาก
• ทดสอบการรบกวนหลายล้านครั้งในซิลิโก (in silico) เพื่อกรองเฉพาะตัวเลือกที่มีแนวโน้มดีที่สุดไปทดสอบจริง

โครงการนี้ถูกเปรียบว่าเป็นการสร้าง "เครื่องบินจำลองการบิน" สำหรับวงการแพทย์ ที่นักวิทยาศาสตร์สามารถทดลองแบบเสมือนจริงก่อนนำไปใช้จริง

เปรียบเทียบกับความพยายามสร้าง Virtual Cell อื่น

แนวคิด Virtual Cell ที่ขับเคลื่อนด้วย AI ไม่ใช่ของทีม AIDO เพียงกลุ่มเดียว Chan Zuckerberg BioHub (CZI) ร่วมกับ Stanford และ Genentech ตีพิมพ์บทความ Perspective ใน Nature (ธันวาคม 2024) เกี่ยวกับ AI Virtual Cells (AIVCs) ซึ่งเป็นโมเดลโครงข่ายประสาทเทียมขนาดใหญ่แบบหลายสเกลและหลายรูปแบบ โดย CZI ยังได้จัด Virtual Cells Workshop ซึ่งระบุอุปสรรคหลายอย่างเดียวกัน เช่น ความหลากหลายของข้อมูล สัญญาณรบกวน ความท้าทายในการทำซ้ำ และความต้องการเกณฑ์วัดมาตรฐานที่ดีกว่า

ความแตกต่างหลักระหว่างสองโครงการ:

มิติ	AIDO (GenBio AI / CMU)	AIVC (CZI / Stanford / Genentech)
ขอบเขต	สิ่งมีชีวิตทั้งตัว (DNA → เซลล์ → สิ่งมีชีวิต)	เน้นเซลล์และเนื้อเยื่อเป็นหลัก
แนวคิดหลัก	"โมเดลโลก" ของชีววิทยา แบบโมดูลาร์แต่เชื่อมต่อกันได้	โครงข่ายประสาทเทียมขนาดใหญ่สำหรับสภาวะของเซลล์
ผู้นำองค์กร	GenBio AI (Eric Xing, Le Song, Eran Segal)	Chan Zuckerberg BioHub (T. Karaletsos, S. Quake, J. Leskovec, A. Regev)
ขั้นตอนการพัฒนา	เฟส 1 ปล่อยธ.ค. 2024 มี 6 โมเดลที่ฝึกฝนล่วงหน้า	ยังอยู่ในขั้นตอนวิสัยทัศน์/ออกแบบ พร้อมเวิร์กช็อป

แม้ขอบเขตและระยะการพัฒนาจะต่างกัน แต่ทั้งสองโครงการเผชิญความท้าทายพื้นฐานเดียวกัน นั่นคือการบูรณาการข้อมูลโอมิกส์ที่ต่างกันมาก

ข้อจำกัดที่ถูกยอมรับ

ทีมวิจัย AIDO ได้ระบุข้อจำกัดสำคัญหลายประการที่ช่วยลดความคาดหวังในช่วงแรก :

• ข้อมูลฝึกฝนที่เอนเอียงและไม่สมบูรณ์: ชุดข้อมูลชีววิทยาปัจจุบันเน้นไปที่เซลล์ไลน์ที่ศึกษามาดี โรคทั่วไป และประชากรเชื้อสายยุโรป ซึ่งอาจทำให้การทำนายของโมเดลคลาดเคลื่อนและเพิ่มความเหลื่อมล้ำทางสุขภาพในกลุ่มประชากรที่ด้อยโอกาส
• ความแปรผันระหว่างผู้ป่วย: ความหลากหลายทางชีวภาพของมนุษย์ทั้งภูมิหลังทางพันธุกรรม อายุ และสถานะสุขภาพนั้นมหาศาล และยังถูกจับได้ไม่ดีนักจากกลุ่มตัวอย่างที่มีอยู่ ผู้เขียนชี้ชัดว่าโมเดลอาจไม่สามารถสรุปผลทั่วไปได้เมื่อนำไปใช้กับประชากรที่มีตัวแทนน้อย
• การบูรณาการข้อมูลที่ต่างกัน: การผสานข้อมูลหลายรูปแบบตั้งแต่ทรานสคริปโตมิกส์ โปรตีโอมิกส์ ภาพถ่าย ไปจนถึงเวชระเบียน ยังคงยากในทางเทคนิค เนื่องจากความแตกต่างของสเกล สัญญาณรบกวน และรูปแบบข้อมูลที่ขาดหาย
• ขาดเกณฑ์วัดมาตรฐาน: หากไม่มีกรอบการประเมินข้ามโดเมน ก็ยากที่จะเปรียบเทียบโมเดลจากกลุ่มต่างๆ หรือประเมินความทนทานในโลกจริง

การประยุกต์ใช้: คัดกรองยา และตอบสนองโรคระบาด

มีการเน้นย้ำการประยุกต์ใช้สองกรณีที่เป็นเป้าหมายระยะใกล้ของ AIDO :

• คัดกรองตัวเลือกยา: AIDO สามารถจำลองสารประกอบนับล้าน ในซิลิโก ทำนายการจับกันในระดับโมเลกุล การตอบสนองของเซลล์ ความเป็นพิษระดับเนื้อเยื่อ และประสิทธิภาพระดับสิ่งมีชีวิต ก่อนการทดลองในห้องปฏิบัติการ สิ่งนี้จะลดจำนวนตัวเลือกที่ต้องทดสอบจริงลงอย่างมาก ลดทั้งต้นทุนและอัตราความล้มเหลวในการพัฒนายาก่อนคลินิก

• เร่งตอบสนองต่อการระบาดของโรคติดเชื้อ: เนื่องจากระบบเป็นแบบโมดูลาร์และฝึกฝนบนรูปแบบชีววิทยาพื้นฐาน (ไม่ใช่แค่เชื้อก่อโรคเพียงชนิดเดียว) จึงสามารถปรับให้เข้ากับไวรัสหรือแบคทีเรียชนิดใหม่ได้อย่างรวดเร็ว นักวิจัยสามารถจำลองพลวัตการติดเชื้อ ทดสอบคลังยาที่มีอยู่เพื่อการ repositioning และทำนายการตอบสนองของภูมิคุ้มกันข้ามสิ่งมีชีวิตเสมือนได้ในไม่กี่วันหรือสัปดาห์ แทนที่จะเป็นเดือน