Технічно AIDO побудовано як стек пов'язаних фундаментальних моделей, кожна з яких спеціалізується на одному біологічному рівні:

• Рівень ДНК/РНК — наприклад, AIDO.RNA (1,6 млрд параметрів, навчений на 42 млн некодуючих РНК-послідовностей з роздільною здатністю до одного нуклеотиду)
• Рівень білкової структури — наприклад, AIDO.StructureTokenizer (модель VQ-VAE з 300 млн параметрів для кодування білкових структур)
• Клітинний рівень — наприклад, AIDO.Cell (щільні трансформерні енкодери з 3–650 млн параметрів для аналізу експресії генів і стану клітини)
• Рівень тканин і органів
• Рівень клінічних наслідків та здоров'я

Ці модулі розроблено так, щоб вони могли з'єднуватися: інформація передається між масштабами, тому збурення на рівні ДНК (наприклад, редагування CRISPR) можна простежити через функцію білка, поведінку клітини, реакцію тканини і, зрештою, до спрогнозованих клінічних результатів .

Найближча мета GenBio AI та співпраця з NVIDIA

Найближчим практичним завданням GenBio AI є створення «віртуальної клітини» — ШІ-моделі світу, яка могла б передбачати, симулювати та, зрештою, програмувати поведінку клітин на всіх біологічних рівнях . Серед ключових найближчих результатів:

• VCHarness — автономна агентна система, яка будує, тестує та вдосконалює ШІ-моделі людських клітин. Компанія повідомляє, що VCHarness здатна знаходити нові архітектури за лічені дні, а не місяці .
• Формальна співпраця з NVIDIA, оголошена в червні 2026 року. GenBio AI планує використовувати чипи NVIDIA, інструменти для розробки моделей та агентні фреймворки — зокрема, інтегруватися з платформою NVIDIA BioNeMo, системою Megatron для розподіленого навчання та набором BioNeMo Agent Toolkit — для прискорення розробки віртуальних клітинних моделей світу .

Порівняння з платформою віртуальної клітини Chan Zuckerberg BioHub

Коротко: AIDO прагне до більш вертикально інтегрованого, повноорганізмового стеку, але фінансується стартапом і є частково пропрієтарним. Підхід CZI більше зосереджений на клітинному рівні, сильно орієнтований на відкриту науку та підкріплений значно більшими філантропічними зобов'язаннями.

Визнані обмеження та виклики

У статті в Nature Medicine та пов'язаних технічних роботах визнано кілька основних проблем:

• Упереджені та неповні дані для навчання. Моделі настільки ж хороші, наскільки хороші набори даних, на яких вони навчаються. Якщо навчальні дані неповно представляють певні популяції, етнічні групи або стани захворювань, цифровий організм даватиме викривлені або ненадійні прогнози. Література із загального ШІ в медицині зазначає, що недостатні обсяги вибірок для певних груп пацієнтів призводять до неоптимальної продуктивності та клінічно беззмістовних прогнозів .
• Варіабельність пацієнтів. Індивідуальний генетичний фон, середовище, спосіб життя та супутні захворювання створюють величезну гетерогенність. Єдиний «цифровий організм», який узагальнюється на всіх людей, є надзвичайно складним завданням; дослідники зазначають, що адаптація до конкретного пацієнта залишається відкритою проблемою .
• Причинно-наслідкове виведення. Фундаментальні моделі за своєю суттю є кореляційними двигунами — вони вивчають статистичні закономірності в даних, а не причинно-наслідкові механізми. Автори визнають, що перехід від «передбачення того, що станеться» до «розуміння, чому це відбувається і яке втручання змінить результат» вимагає інтеграції структур причинно-наслідкового виведення, з чим традиційне машинне навчання має труднощі . Ширша література підтверджує, що ШІ на основі кореляцій у біології часто функціонує як «чорна скринька», а кількісна оцінка причинно-наслідкового ефекту втручань є окремим невирішеним викликом .
• Масштаб і обчислювальна потужність. Імітація цілого організму з достатньою точністю вимагає величезних обчислювальних ресурсів і даних, яких наразі не існує в необхідному обсязі .
• Валідація. Доведення того, що прогнози цифрового організму відповідають дійсності в реальних біологічних системах, і що він узагальнюється за межами свого навчального розподілу, є фундаментальною перешкодою, яку галузь тільки починає долати .

Технічно AIDO побудовано як стек пов'язаних фундаментальних моделей, кожна з яких спеціалізується на одному біологічному рівні:

• Рівень ДНК/РНК — наприклад, AIDO.RNA (1,6 млрд параметрів, навчений на 42 млн некодуючих РНК-послідовностей з роздільною здатністю до одного нуклеотиду)
• Рівень білкової структури — наприклад, AIDO.StructureTokenizer (модель VQ-VAE з 300 млн параметрів для кодування білкових структур)
• Клітинний рівень — наприклад, AIDO.Cell (щільні трансформерні енкодери з 3–650 млн параметрів для аналізу експресії генів і стану клітини)
• Рівень тканин і органів
• Рівень клінічних наслідків та здоров'я

Ці модулі розроблено так, щоб вони могли з'єднуватися: інформація передається між масштабами, тому збурення на рівні ДНК (наприклад, редагування CRISPR) можна простежити через функцію білка, поведінку клітини, реакцію тканини і, зрештою, до спрогнозованих клінічних результатів .

Найближча мета GenBio AI та співпраця з NVIDIA

Найближчим практичним завданням GenBio AI є створення «віртуальної клітини» — ШІ-моделі світу, яка могла б передбачати, симулювати та, зрештою, програмувати поведінку клітин на всіх біологічних рівнях . Серед ключових найближчих результатів:

• VCHarness — автономна агентна система, яка будує, тестує та вдосконалює ШІ-моделі людських клітин. Компанія повідомляє, що VCHarness здатна знаходити нові архітектури за лічені дні, а не місяці .
• Формальна співпраця з NVIDIA, оголошена в червні 2026 року. GenBio AI планує використовувати чипи NVIDIA, інструменти для розробки моделей та агентні фреймворки — зокрема, інтегруватися з платформою NVIDIA BioNeMo, системою Megatron для розподіленого навчання та набором BioNeMo Agent Toolkit — для прискорення розробки віртуальних клітинних моделей світу .

Порівняння з платформою віртуальної клітини Chan Zuckerberg BioHub

Коротко: AIDO прагне до більш вертикально інтегрованого, повноорганізмового стеку, але фінансується стартапом і є частково пропрієтарним. Підхід CZI більше зосереджений на клітинному рівні, сильно орієнтований на відкриту науку та підкріплений значно більшими філантропічними зобов'язаннями.

Визнані обмеження та виклики

У статті в Nature Medicine та пов'язаних технічних роботах визнано кілька основних проблем:

• Упереджені та неповні дані для навчання. Моделі настільки ж хороші, наскільки хороші набори даних, на яких вони навчаються. Якщо навчальні дані неповно представляють певні популяції, етнічні групи або стани захворювань, цифровий організм даватиме викривлені або ненадійні прогнози. Література із загального ШІ в медицині зазначає, що недостатні обсяги вибірок для певних груп пацієнтів призводять до неоптимальної продуктивності та клінічно беззмістовних прогнозів .
• Варіабельність пацієнтів. Індивідуальний генетичний фон, середовище, спосіб життя та супутні захворювання створюють величезну гетерогенність. Єдиний «цифровий організм», який узагальнюється на всіх людей, є надзвичайно складним завданням; дослідники зазначають, що адаптація до конкретного пацієнта залишається відкритою проблемою .
• Причинно-наслідкове виведення. Фундаментальні моделі за своєю суттю є кореляційними двигунами — вони вивчають статистичні закономірності в даних, а не причинно-наслідкові механізми. Автори визнають, що перехід від «передбачення того, що станеться» до «розуміння, чому це відбувається і яке втручання змінить результат» вимагає інтеграції структур причинно-наслідкового виведення, з чим традиційне машинне навчання має труднощі . Ширша література підтверджує, що ШІ на основі кореляцій у біології часто функціонує як «чорна скринька», а кількісна оцінка причинно-наслідкового ефекту втручань є окремим невирішеним викликом .
• Масштаб і обчислювальна потужність. Імітація цілого організму з достатньою точністю вимагає величезних обчислювальних ресурсів і даних, яких наразі не існує в необхідному обсязі .
• Валідація. Доведення того, що прогнози цифрового організму відповідають дійсності в реальних біологічних системах, і що він узагальнюється за межами свого навчального розподілу, є фундаментальною перешкодою, яку галузь тільки починає долати .