GenBio AI 的 AIDO Cell：让 AI 模拟细胞如何“记住”每一次干预

两者并不是简单的替代关系，而是在回答不同问题：AlphaFold 更像是在问“这个蛋白质可能长什么样”，AIDO Cell 则试图探索“当细胞中的某些分子成分或外部输入发生变化时，整个细胞会怎样”。

AIDO Cell 也建立在 GenBio AI 早期单细胞基础模型工作的基础上。此前的 AIDO.Cell 模型系列使用约 5000 万个人类细胞进行训练，参数规模从 300 万到 6.5 亿不等，重点是理解细胞的转录组上下文。 新的虚拟细胞方向，则是在这一基础上进一步走向跨尺度、整合式模拟。

AIDO 的三阶段路线图

AIDO Cell 是 GenBio AI 更大规模的“AI 驱动数字有机体”（AI-Driven Digital Organism，AIDO）计划的一部分。该计划大致分为三个阶段：

1. 分而治之： 针对 DNA、RNA、蛋白质、细胞和组织等不同生物数据类型与尺度，分别建立专门的基础模型。
2. 连接各层： 将这些模型连接起来，让信息、模型表示和干预能够跨越不同生物学尺度传递。
3. 通过整合模拟与编程实现更进一步的预测： 利用已连接的系统预测生物学结果，并最终辅助设计针对不同生物系统的干预方案。需要强调的是，这属于 AIDO 的长期愿景，并不是当前 AIDO Cell 预览版已经被证明具备的能力。

GenBio AI 此前将 AIDO 描述为一套覆盖 DNA、RNA、蛋白质和单细胞表达等主要生物数据类型的多尺度模型系统。 真正困难的地方并不只是把模型做得更大，而是让不同生物学表示能够有效协同，并支持看起来具有因果意义、同时又能通过实验检验的干预预测。

伊马替尼案例说明了什么？

在最初的案例研究中，GenBio AI 表示，AIDO Cell 复现了伊马替尼在 K562 白血病细胞中的已知作用及其机制。该演示旨在展示模型如何追踪药物在模拟细胞环境中的影响。

这是一个有价值的概念验证，但不能等同于前瞻性验证。事后复现已知生物学，并不能证明模型可以预测此前未见过的药物反应、找到有效的新化合物，或优于更简单的计算方法。公开信息也没有披露足以支持这些结论所需的定量准确率、统计分析、正面对比实验或前瞻性实验验证。

目前支持哪些细胞？

当前公布的 AIDO Cell 预览版支持两种永生化人类细胞系：

• K562：用于已公开的伊马替尼案例
• HepG2：一种常用于体外研究的永生化人类细胞系

GenBio AI 表示，更多细胞类型和功能计划在 2026 至 2027 年扩展。 这一点十分重要：在少数永生化细胞系中的表现，不能自动推广到原代人类细胞、组织，更不能直接推及患者。

它可能如何帮助药物研发？

如果虚拟细胞模型足够可靠，研究人员就可以在投入实验资源之前，先在计算机中探索大量假设。例如，他们可以比较候选化合物、作用靶点、联合用药和给药顺序，并寻找可能提示疗效、耐药或脱靶效应的细胞反应。

因此，AIDO Cell 近期最现实的定位是候选方案优先级排序：帮助研究团队决定哪些化合物值得进入更昂贵的实验，哪些基因或药物干预值得进一步测试，以及哪些结果可能暴露出实验设计中的问题。它还可能通过模拟“先发生什么、后发生什么”，帮助研究人员设计信息量更高的后续实验。

但这是一种筛选和规划功能，而不是临床保证。细胞系模型本身无法完整呈现人体层面的药代动力学、免疫与组织相互作用、患者差异、毒性或临床结局。虚拟细胞不是完整的虚拟人体，计算机中的反应也不能替代动物实验、人体试验或监管证据。

关键考验：预测结果必须经得起生物学验证

AIDO Cell 真正需要面对的核心问题是前瞻性验证：它能否预测用于构建演示之外、此前未见过的生物反应？这些预测能否在受控实验中重复成立？

在相关证据出现之前，最稳妥的描述是：AIDO Cell 是一个有潜力用于虚拟筛选和实验规划的计算层。它的多尺度和有状态设计，可能让生物模拟比孤立的分子模型或单纯的转录组模型更贴近真实细胞，但架构本身并不等于预测准确率。复现已知生物学与发现可靠的新生物学之间，仍然存在决定性的科学鸿沟。

如何获取？目前进展到哪一步？

GenBio AI 正在为高校、生物科技公司和制药企业研究人员筹备早期访问合作项目。

现阶段，AIDO Cell 更适合被看作一个早期科研系统：它的目标宏大，可能帮助研究人员缩小实验搜索范围，但公开证据目前只支持其对既有生物学的演示，还不足以支持“替代药物研发实验”或“替代完整生物系统”的更强结论。