AIDO Cell của GenBio AI là gì và có thể thay đổi nghiên cứu thuốc ra sao?

Đây là ý nghĩa thực tế của việc gọi AIDO Cell là một “world model”, hay mô hình thế giới: hệ thống không chỉ phân loại một mẫu sinh học tĩnh, mà hướng tới mô phỏng các trạng thái thay đổi của tế bào dưới một chuỗi tác động khác nhau.

Khác AlphaFold ở điểm nào?

AlphaFold được biết đến chủ yếu với nhiệm vụ dự đoán cấu trúc của một protein riêng lẻ. AIDO Cell theo đuổi mục tiêu ở cấp độ hệ thống rộng hơn: mô phỏng cách bộ máy phân tử của cả tế bào vận hành và cách thay đổi ở một tầng sinh học có thể ảnh hưởng đến các tầng khác.

Điều đó không có nghĩa AIDO Cell thay thế các công cụ dự đoán cấu trúc protein. Hai hệ thống trả lời những câu hỏi khác nhau. AlphaFold tập trung vào việc một protein có thể có hình dạng ra sao; AIDO Cell muốn khám phá điều gì xảy ra với cả hệ thống tế bào khi các thành phần phân tử hoặc đầu vào của nó bị tác động.

AIDO Cell cũng phát triển từ nền tảng mô hình tế bào đơn trước đây của GenBio. Dòng mô hình AIDO.Cell được huấn luyện trên khoảng 50 triệu tế bào người, với các phiên bản có quy mô từ 3 triệu đến 650 triệu tham số; hệ thống ban đầu tập trung vào việc biểu diễn bối cảnh phiên mã. Định hướng tế bào ảo mới mở rộng nền tảng đó sang mô phỏng tích hợp, kết nối nhiều tầng sinh học.

Chiến lược AIDO gồm ba giai đoạn

AIDO Cell là một bước trong chương trình rộng hơn mang tên AI-Driven Digital Organism (AIDO)—tạm dịch là “sinh vật số do AI điều khiển”. Lộ trình của GenBio AI được chia thành ba giai đoạn:

1. Phân chia để chinh phục: Xây dựng các mô hình nền chuyên biệt cho từng loại dữ liệu và quy mô sinh học, gồm DNA, RNA, protein, tế bào và mô.
2. Kết nối các điểm: Liên kết những mô hình này để thông tin, biểu diễn và các tác động có thể di chuyển qua nhiều tầng sinh học.
3. Chinh phục bằng mô phỏng và lập trình tích hợp: Dùng hệ thống đã kết nối để dự báo kết quả sinh học và về lâu dài hỗ trợ thiết kế các can thiệp trên nhiều hệ thống sinh học. Đây vẫn là tầm nhìn dài hạn của AIDO, chưa phải năng lực đã được chứng minh bởi phiên bản xem trước của AIDO Cell.

Trước đó, GenBio mô tả AIDO là một hệ thống mô hình đa tầng bao phủ những loại dữ liệu sinh học chính như DNA, RNA, protein và biểu hiện tế bào đơn. Thách thức không chỉ nằm ở việc huấn luyện các mô hình lớn hơn, mà còn ở việc khiến những biểu diễn sinh học riêng rẽ hoạt động cùng nhau một cách hữu ích cho các can thiệp có tính nhân quả và những dự báo có thể kiểm chứng bằng thí nghiệm.

Thử nghiệm với imatinib cho thấy điều gì?

Trong nghiên cứu tình huống ban đầu, GenBio cho biết AIDO Cell đã tái hiện các tác động và cơ chế đã được xác lập của imatinib trên dòng tế bào ung thư máu K562. Phần trình diễn nhằm cho thấy mô hình có thể lần theo hệ quả của thuốc trong môi trường tế bào được mô phỏng.

Đây là một bằng chứng khái niệm đáng chú ý, nhưng không nên nhầm với một kết quả xác thực dự báo. Việc tái hiện lại sinh học đã biết sau khi sự việc đã được nghiên cứu không chứng minh rằng mô hình có thể dự đoán phản ứng với một loại thuốc chưa từng thấy, xác định một hợp chất mới hiệu quả, hoặc vượt trội so với các phương pháp tính toán đơn giản hơn. Các công bố công khai chưa nêu những chỉ số độ chính xác định lượng, phân tích thống kê, so sánh trực tiếp hay thử nghiệm dự báo tiền cứu cần thiết để củng cố các tuyên bố đó.

AIDO Cell hiện hỗ trợ những loại tế bào nào?

Phiên bản xem trước hiện tại hỗ trợ hai dòng tế bào người bất tử hóa:

• K562, được sử dụng trong nghiên cứu tình huống về imatinib
• HepG2

GenBio cho biết các loại tế bào và năng lực bổ sung được lên kế hoạch mở rộng trong giai đoạn 2026–2027. Đây là điểm quan trọng, bởi kết quả trên một số ít dòng tế bào bất tử hóa không thể tự động khái quát cho tế bào người nguyên phát, mô hoặc bệnh nhân.

Tiềm năng trong phát triển thuốc

Về nguyên tắc, một tế bào ảo có thể giúp quy trình phát triển thuốc hiệu quả hơn bằng cách cho phép nhà nghiên cứu thăm dò nhiều giả thuyết trước khi đưa từng giả thuyết vào phòng thí nghiệm. Người dùng có thể so sánh các hợp chất, đích tác động, tổ hợp thuốc và trình tự điều trị, đồng thời tìm kiếm những phản ứng tế bào gợi ý về hiệu quả, khả năng kháng thuốc hoặc các tác động ngoài mục tiêu.

Vai trò thiết thực nhất của AIDO Cell trong ngắn hạn vì thế là ưu tiên ứng viên. Mô hình có thể giúp xác định hợp chất nào đáng được đưa vào các thí nghiệm tốn kém hơn, can thiệp nào nên được kiểm tra tiếp, và kết quả nào có thể cho thấy thiết kế thí nghiệm đang bỏ sót một yếu tố quan trọng. Việc mô phỏng phản ứng sau một can thiệp trước đó cũng có thể giúp nhóm nghiên cứu xây dựng các thí nghiệm tiếp theo giàu thông tin hơn.

Đây là chức năng lọc và lập kế hoạch, không phải lời bảo đảm về hiệu quả lâm sàng. Một mô hình dựa trên dòng tế bào không tự nó tái hiện được dược động học ở cấp độ cơ thể, tương tác với hệ miễn dịch và mô, sự khác biệt giữa các bệnh nhân, độc tính hay kết quả điều trị. Tế bào ảo không phải là con người ảo hoàn chỉnh; phản ứng trên máy tính cũng không thể thay thế nghiên cứu trên động vật, thử nghiệm ở người hoặc bằng chứng phục vụ phê duyệt quản lý.

Giới hạn then chốt: dự báo vẫn phải vượt qua bài kiểm tra sinh học

Thước đo quan trọng nhất đối với AIDO Cell sẽ là xác thực tiền cứu: mô hình có dự đoán được những phản ứng chưa được dùng để xây dựng phần trình diễn hay không, và các dự đoán đó có đứng vững trong những thí nghiệm có kiểm soát hay không?

Cho đến khi có câu trả lời, cách mô tả thuyết phục nhất vẫn là một lớp hỗ trợ sàng lọc ảo và lên kế hoạch thí nghiệm đầy hứa hẹn. Thiết kế đa tầng và có trạng thái có thể khiến mô phỏng sinh học thực tế, hữu ích hơn các mô hình chỉ tập trung vào một phân tử hoặc dữ liệu phiên mã. Nhưng chỉ riêng kiến trúc không thể chứng minh độ chính xác dự báo. Khoảng cách giữa việc tái hiện sinh học đã biết và việc khám phá những quy luật sinh học mới đáng tin cậy vẫn là rào cản khoa học quyết định.

Quyền truy cập và tình trạng hiện tại

GenBio AI đang chuẩn bị một chương trình hợp tác truy cập sớm dành cho các nhà nghiên cứu thuộc trường đại học, công ty công nghệ sinh học và ngành dược phẩm. Ở thời điểm hiện tại, AIDO Cell nên được xem là một hệ thống nghiên cứu giai đoạn đầu: tham vọng về phạm vi, có tiềm năng thu hẹp không gian tìm kiếm trong thí nghiệm, nhưng vẫn cần thêm bằng chứng tiền cứu trước khi có thể đưa ra những tuyên bố mạnh hơn về khả năng thay thế hoặc cách mạng hóa phát triển thuốc và nghiên cứu sinh học.