AIDO: 'Cơ thể số kỹ thuật số' do AI điều khiển – Bước đột phá mô phỏng y sinh học từ phân tử đến sức khỏe con người

Đây là làn sóng mới nhất trong cuộc đua ứng dụng AI vào sinh học: xây dựng một 'cơ thể số kỹ thuật số' có thể mô phỏng mọi thứ, từ một phân tử DNA cho đến sức khỏe tổng thể của con người. Khung AI mang tên AIDO (AI-Driven Digital Organism) vừa được công bố trên tạp chí Nature Medicine vào ngày 13 tháng 8 năm 2026, đánh dấu một bước tiến tham vọng trong lĩnh vực này .

AIDO là gì và nó hoạt động ra sao?

AIDO không phải là một mô hình AI duy nhất, mà là một hệ thống mô-đun gồm nhiều mô hình nền tảng (foundation models) chuyên biệt, mỗi mô hình đảm nhiệm một cấp độ sinh học khác nhau và có thể kết nối với nhau. Các nhà khoa học mô tả đây như một 'máy mô phỏng bay cho y học' — một nền tảng tính toán thống nhất có thể mô phỏng cách một loại thuốc hoặc một thay đổi di truyền lan truyền qua tất cả các cấp độ sinh học, từ phân tử cho đến toàn bộ cơ thể .

Các mô-đun cốt lõi của AIDO bao gồm:

• Cấp độ DNA/RNA: Mô hình AIDO.RNA (1,6 tỷ tham số, huấn luyện trên 42 triệu trình tự RNA không mã hóa) .
• Cấu trúc Protein: Mô hình AIDO.StructureTokenizer (300 triệu tham số) dùng để mã hóa cấu trúc protein .
• Cấp độ tế bào: Mô hình AIDO.Cell (từ 3 triệu đến 650 triệu tham số) giúp mô phỏng trạng thái và biểu hiện gene của tế bào .
• Cấp độ mô và cơ quan.
• Cấp độ kết quả sức khỏe và lâm sàng.

Điểm đột phá là các mô-đun này có thể 'xếp chồng' lên nhau: một tác động ở cấp độ DNA (ví dụ: chỉnh sửa gene CRISPR) có thể được mô phỏng lan truyền lên đến chức năng protein, hành vi tế bào, phản ứng mô và cuối cùng là kết quả lâm sàng dự đoán .

Mục tiêu trước mắt của GenBio AI: 'Tế bào ảo' và hợp tác với NVIDIA

GenBio AI, công ty khởi nghiệp đứng sau AIDO, tập trung vào việc xây dựng 'tế bào ảo' (virtual cell) — một mô hình thế giới (world model) do AI điều khiển, có thể dự đoán, mô phỏng và cuối cùng là lập trình hành vi của tế bào .

Công ty đã phát triển VCHarness, một hệ thống tác nhân tự động (agentic system) có khả năng tự động xây dựng, kiểm tra và cải tiến các mô hình AI về tế bào người. Theo GenBio AI, VCHarness có thể khám phá ra các kiến trúc mới trong vài ngày thay vì vài tháng .

Vào tháng 6 năm 2026, GenBio AI công bố hợp tác chính thức với NVIDIA. Họ sẽ tận dụng chip, công cụ phát triển mô hình và các khung tác nhân của NVIDIA, đặc biệt là nền tảng BioNeMo, hệ thống huấn luyện phân tán Megatron và Bộ công cụ tác nhân BioNeMo (BioNeMo Agent Toolkit), để đẩy nhanh tốc độ phát triển mô hình tế bào ảo .

So sánh với nền tảng tế bào ảo của Chan Zuckerberg BioHub

Khía cạnh	AIDO / GenBio AI	Chan Zuckerberg BioHub / CZI
Phạm vi	Toàn diện từ DNA → RNA → Protein → Tế bào → Mô → Kết quả sức khỏe	Ban đầu tập trung vào cấp độ đơn bào, với các công cụ như CZ CELLxGENE, TranscriptFormer, và Nền tảng Tế bào Ảo (VCP)
Tính mở	GenBio AI là startup; một số mô hình và bài báo được công bố (arXiv, CMU), nhưng nền tảng tổng thể là độc quyền	CZI theo đuổi chính sách khoa học mở: dữ liệu mở (CELLxGENE), mô hình mở (TranscriptFormer), các chuẩn đánh giá mở và một Nền tảng Tế bào Ảo dùng chung
Quy mô đầu tư	Ở quy mô startup; nguồn tài trợ cụ thể không được tiết lộ	CZI đã cam kết 500 triệu USD trong 5 năm cho Sáng kiến Sinh học Ảo (Virtual Biology Initiative) của mình
Quan hệ với NVIDIA	Hợp tác kỹ thuật về VCHarness, BioNeMo, Megatron (2026)	Quan hệ đối tác riêng biệt, rộng hơn được công bố vào tháng 10/2025 về các mô hình mở, chuẩn đánh giá và cơ sở hạ tầng GPU
Mô hình đã công bố chính	AIDO.RNA, AIDO.StructureTokenizer, AIDO.Cell	TranscriptFormer (đa loài), Nền tảng CELLxGENE Discover

Tóm lại: AIDO hướng tới một ngăn xếp tích hợp dọc và toàn diện hơn nhưng được hậu thuẫn bởi một startup và mang tính độc quyền một phần. Ngược lại, cách tiếp cận của CZI tập trung nhiều hơn vào lớp tế bào, theo đuổi mạnh mẽ tinh thần khoa học mở và được hỗ trợ bởi một cam kết từ thiện lớn hơn nhiều .

Những thách thức và giới hạn được thừa nhận

Trong bài báo Nature Medicine và các công bố kỹ thuật liên quan, các nhà nghiên cứu đã thẳng thắn chỉ ra nhiều thách thức lớn :

• Dữ liệu huấn luyện thiên lệch và không đầy đủ. Các mô hình chỉ tốt khi dữ liệu huấn luyện tốt. Nếu dữ liệu thiếu đại diện cho một số nhóm dân cư, chủng tộc hoặc tình trạng bệnh nhất định, 'cơ thể số kỹ thuật số' sẽ đưa ra những dự đoán sai lệch hoặc không đáng tin cậy .
• Sự khác biệt giữa các bệnh nhân. Nền tảng di truyền, môi trường, lối sống và các bệnh đi kèm của mỗi người tạo ra sự khác biệt rất lớn. Việc tạo ra một 'cơ thể số kỹ thuật số' duy nhất có thể tổng quát hóa cho tất cả mọi người là một thách thức cực kỳ lớn, và việc thích ứng với từng bệnh nhân vẫn là một bài toán mở .
• Suy luận nhân quả. Các mô hình nền tảng về cơ bản là 'cỗ máy tương quan': chúng học các mẫu hình thống kê trong dữ liệu, chứ không phải các cơ chế nhân quả. Chuyển từ 'dự đoán điều gì sẽ xảy ra' sang 'hiểu tại sao nó xảy ra và can thiệp nào sẽ thay đổi kết quả' đòi hỏi phải tích hợp các khung suy luận nhân quả, một lĩnh vực mà machine learning truyền thống còn yếu . Như một bài báo gần đây trên tạp chí NPJ Digital Medicine đã chỉ ra, các mô hình AI trong sinh học thường hoạt động như một 'hộp đen' và việc định lượng tác động nhân quả của các can thiệp là một thách thức riêng biệt chưa có lời giải .
• Quy mô và sức mạnh tính toán. Mô phỏng toàn bộ một cơ thể sống với độ chính xác cần thiết đòi hỏi nguồn lực tính toán khổng lồ và lượng dữ liệu khổng lồ mà hiện tại vẫn chưa có .
• Kiểm định và xác thực. Chứng minh rằng các dự đoán của 'cơ thể số kỹ thuật số' là đúng trong các hệ thống sinh học thực tế và nó có thể hoạt động tốt ngoài phạm vi dữ liệu huấn luyện là một rào cản cơ bản mà lĩnh vực này mới chỉ bắt đầu giải quyết .