所以，將 AIDO Cell 稱為「世界模型」，實際意思唔係單純為一個靜態生物樣本分類，而係嘗試描述細胞狀態點樣隨住一連串干預而改變，以及細胞點樣作出反應。

同 AlphaFold 有咩分別？

AlphaFold 最廣為人知嘅用途，係預測單一蛋白質嘅結構；AIDO Cell 嘅企圖就更加偏向系統層面：模擬一個完整細胞入面嘅分子機器點樣運作，以及某一個生物層次嘅變化點樣波及其他層次。

兩者並唔係「邊個取代邊個」嘅關係，而係回答緊唔同問題。AlphaFold 關心嘅係「一粒蛋白質可能係咩形狀」；AIDO Cell 就想探索「當細胞入面某啲分子組件或者輸入被改變，成個細胞系統會發生咩事」。

AIDO Cell 亦建基於 GenBio 早期嘅單細胞基礎模型研究。AIDO.Cell 模型系列以約 5,000 萬個人類細胞作訓練，模型規模由 300 萬至 6.5 億個參數不等；早期系統主要用嚟表達細胞嘅轉錄組上下文。 新嘅虛擬細胞方向，就係將呢個基礎推向更整合、跨尺度嘅模擬。

背後嘅 AIDO 三階段路線圖

AIDO Cell 係 GenBio AI 更大規模嘅「AI 驅動數碼有機體」（AI-Driven Digital Organism，AIDO）計劃其中一步。整個路線圖分為三個階段：

1. 分而治之： 針對 DNA、RNA、蛋白質、細胞同組織等唔同生物資料類型及尺度，分別建立專門嘅基礎模型。
2. 連成一體： 將各個模型連接起來，令資訊、模型表達方式同干預結果可以跨越唔同生物層次傳遞。
3. 透過整合模擬及編程實現目標： 利用已連接嘅系統預測生物結果，長遠仲希望協助設計針對唔同生物系統嘅干預方案。不過，呢個仍然係 AIDO 嘅長遠願景，唔代表目前 AIDO Cell 預覽版已經具備相關能力。

GenBio 過去亦曾形容 AIDO 係一套涵蓋 DNA、RNA、蛋白質同單細胞表達等主要生物資料類型嘅多尺度模型系統。 真正困難嘅地方，唔只係將模型做得更大，而係要令各種生物學表達可以有效協作，並且對近似因果干預嘅測試同可驗證預測仍然有用。

咪替尼案例證明咗啲乜？

喺最初嘅案例研究入面，GenBio 表示，AIDO Cell 重現咗咪替尼（imatinib）喺 K562 白血病細胞中已知嘅作用同機制。呢個示範主要係展示模型點樣追蹤藥物喺模擬細胞環境入面造成嘅連鎖影響。

呢個結果係一個重要概念驗證，但唔應該當成前瞻性驗證。事後重現已知生物學，並唔代表模型已經可以預測未見過嘅藥物反應、搵到一隻成功嘅新化合物，或者證明自己勝過較簡單嘅計算方法。公開資料亦未披露足以支持呢類結論所需嘅定量準確率、統計分析、直接比較結果，或者前瞻性實驗驗證。

目前支援邊啲細胞？

現時 AIDO Cell 預覽版支援兩種永生化人類細胞系：

• K562：用於上述咪替尼案例
• HepG2

GenBio 表示，會喺 2026 至 2027 年計劃擴展支援更多細胞類型同功能。 呢一步相當重要，因為喺少數永生化細胞系入面表現良好，唔可以自動推論模型同樣適用於原代人類細胞、組織，甚至病人。

對藥物研發有咩幫助？

如果虛擬細胞模型足夠可靠，研究人員就可以喺投入每一項昂貴嘅實驗之前，先於電腦入面探索大量假設。原則上，大家可以比較唔同候選化合物、靶點、藥物組合及治療次序，並留意可能代表療效、抗藥性或者脫靶作用嘅細胞反應。

因此，AIDO Cell 近期最實際嘅角色，可能係協助排列候選項目優先次序：幫研究人員決定邊啲化合物值得先做實驗、邊啲干預值得深入測試，或者邊啲結果反映實驗設計可能有漏洞。佢亦可以透過揭示細胞反應點樣受之前干預影響，協助設計更有資訊量嘅後續研究。

但呢個始終係篩選同規劃功能，唔係臨床保證。細胞系模型本身未能完整反映人體層面嘅藥物代謝動力學、免疫及組織互動、病人差異、毒性，或者臨床結果。虛擬細胞唔等於完整虛擬人體，而電腦模擬出嚟嘅反應亦唔可以取代動物研究、人體試驗或者監管證據。

最大考驗：預測要經得起生物學驗證

AIDO Cell 最關鍵嘅考驗，係前瞻性驗證：佢可唔可以預測示範案例之外、訓練或建構模型時未見過嘅反應？而呢啲預測，又可唔可以喺受控實驗入面重現？

喺相關證據出現之前，最合理嘅描述係：AIDO Cell 係一個有潛力嘅虛擬篩選及實驗規劃層。佢嘅跨尺度同有狀態設計，可能令生物模擬比單獨嘅分子模型或者轉錄組模型更貼近細胞嘅複雜性；但單靠架構，並唔足以證明預測準確。由重現已知生物學，行到發現可靠嘅新生物學，中間仍然有一個關鍵而且未解決嘅科學鴻溝。

目前狀態及使用安排

GenBio AI 正準備為大學研究人員、生物科技公司及製藥研究者推出早期試用合作計劃。 暫時嚟講，AIDO Cell 應該被理解為一套早期研究系統：目標宏大，可能有助縮窄實驗搜尋範圍，但要進一步宣稱佢可以改變藥物研發，甚至取代部分生物實驗，仍然需要更多前瞻性證據。

所以，將 AIDO Cell 稱為「世界模型」，實際意思唔係單純為一個靜態生物樣本分類，而係嘗試描述細胞狀態點樣隨住一連串干預而改變，以及細胞點樣作出反應。

同 AlphaFold 有咩分別？

AlphaFold 最廣為人知嘅用途，係預測單一蛋白質嘅結構；AIDO Cell 嘅企圖就更加偏向系統層面：模擬一個完整細胞入面嘅分子機器點樣運作，以及某一個生物層次嘅變化點樣波及其他層次。

兩者並唔係「邊個取代邊個」嘅關係，而係回答緊唔同問題。AlphaFold 關心嘅係「一粒蛋白質可能係咩形狀」；AIDO Cell 就想探索「當細胞入面某啲分子組件或者輸入被改變，成個細胞系統會發生咩事」。

AIDO Cell 亦建基於 GenBio 早期嘅單細胞基礎模型研究。AIDO.Cell 模型系列以約 5,000 萬個人類細胞作訓練，模型規模由 300 萬至 6.5 億個參數不等；早期系統主要用嚟表達細胞嘅轉錄組上下文。 新嘅虛擬細胞方向，就係將呢個基礎推向更整合、跨尺度嘅模擬。

背後嘅 AIDO 三階段路線圖

AIDO Cell 係 GenBio AI 更大規模嘅「AI 驅動數碼有機體」（AI-Driven Digital Organism，AIDO）計劃其中一步。整個路線圖分為三個階段：

1. 分而治之： 針對 DNA、RNA、蛋白質、細胞同組織等唔同生物資料類型及尺度，分別建立專門嘅基礎模型。
2. 連成一體： 將各個模型連接起來，令資訊、模型表達方式同干預結果可以跨越唔同生物層次傳遞。
3. 透過整合模擬及編程實現目標： 利用已連接嘅系統預測生物結果，長遠仲希望協助設計針對唔同生物系統嘅干預方案。不過，呢個仍然係 AIDO 嘅長遠願景，唔代表目前 AIDO Cell 預覽版已經具備相關能力。

GenBio 過去亦曾形容 AIDO 係一套涵蓋 DNA、RNA、蛋白質同單細胞表達等主要生物資料類型嘅多尺度模型系統。 真正困難嘅地方，唔只係將模型做得更大，而係要令各種生物學表達可以有效協作，並且對近似因果干預嘅測試同可驗證預測仍然有用。

咪替尼案例證明咗啲乜？

喺最初嘅案例研究入面，GenBio 表示，AIDO Cell 重現咗咪替尼（imatinib）喺 K562 白血病細胞中已知嘅作用同機制。呢個示範主要係展示模型點樣追蹤藥物喺模擬細胞環境入面造成嘅連鎖影響。

呢個結果係一個重要概念驗證，但唔應該當成前瞻性驗證。事後重現已知生物學，並唔代表模型已經可以預測未見過嘅藥物反應、搵到一隻成功嘅新化合物，或者證明自己勝過較簡單嘅計算方法。公開資料亦未披露足以支持呢類結論所需嘅定量準確率、統計分析、直接比較結果，或者前瞻性實驗驗證。

目前支援邊啲細胞？

現時 AIDO Cell 預覽版支援兩種永生化人類細胞系：

• K562：用於上述咪替尼案例
• HepG2

GenBio 表示，會喺 2026 至 2027 年計劃擴展支援更多細胞類型同功能。 呢一步相當重要，因為喺少數永生化細胞系入面表現良好，唔可以自動推論模型同樣適用於原代人類細胞、組織，甚至病人。

對藥物研發有咩幫助？

如果虛擬細胞模型足夠可靠，研究人員就可以喺投入每一項昂貴嘅實驗之前，先於電腦入面探索大量假設。原則上，大家可以比較唔同候選化合物、靶點、藥物組合及治療次序，並留意可能代表療效、抗藥性或者脫靶作用嘅細胞反應。

因此，AIDO Cell 近期最實際嘅角色，可能係協助排列候選項目優先次序：幫研究人員決定邊啲化合物值得先做實驗、邊啲干預值得深入測試，或者邊啲結果反映實驗設計可能有漏洞。佢亦可以透過揭示細胞反應點樣受之前干預影響，協助設計更有資訊量嘅後續研究。

但呢個始終係篩選同規劃功能，唔係臨床保證。細胞系模型本身未能完整反映人體層面嘅藥物代謝動力學、免疫及組織互動、病人差異、毒性，或者臨床結果。虛擬細胞唔等於完整虛擬人體，而電腦模擬出嚟嘅反應亦唔可以取代動物研究、人體試驗或者監管證據。

最大考驗：預測要經得起生物學驗證

AIDO Cell 最關鍵嘅考驗，係前瞻性驗證：佢可唔可以預測示範案例之外、訓練或建構模型時未見過嘅反應？而呢啲預測，又可唔可以喺受控實驗入面重現？

喺相關證據出現之前，最合理嘅描述係：AIDO Cell 係一個有潛力嘅虛擬篩選及實驗規劃層。佢嘅跨尺度同有狀態設計，可能令生物模擬比單獨嘅分子模型或者轉錄組模型更貼近細胞嘅複雜性；但單靠架構，並唔足以證明預測準確。由重現已知生物學，行到發現可靠嘅新生物學，中間仍然有一個關鍵而且未解決嘅科學鴻溝。

目前狀態及使用安排

GenBio AI 正準備為大學研究人員、生物科技公司及製藥研究者推出早期試用合作計劃。 暫時嚟講，AIDO Cell 應該被理解為一套早期研究系統：目標宏大，可能有助縮窄實驗搜尋範圍，但要進一步宣稱佢可以改變藥物研發，甚至取代部分生物實驗，仍然需要更多前瞻性證據。