GenBio AI 的 AIDO Cell 是什麼？從 DNA 到整個細胞行為的虛擬細胞模型

GenBio AI 的 AIDO Cell，是一套仍處於預覽階段的「虛擬細胞」世界模型，目標是模擬生物變化如何從 DNA、RNA，經過蛋白質，最終影響整個細胞的行為。它並非只分析單一分子或單項測量，而是試圖在同一個計算環境中串起多個生物學尺度。

這使 AIDO Cell 有望用於虛擬藥物篩選與實驗規劃。不過，現有證據仍應審慎解讀：公開案例主要是重現已知的生物學現象，尚未證明模型能在實驗室中準確預測全新的藥物反應。

AIDO Cell 的兩個核心特色

AIDO Cell 的設計重點可概括為「多尺度」與「具狀態記憶」：

• 多尺度（multiscale）： 模型連接遺傳資訊、RNA 表現、蛋白質與細胞表型，讓基因剔除或藥物等介入，能沿著這個層級架構向下游傳遞。換句話說，它不是只預測某一組轉錄體數值如何改變，而是試圖模擬介入對細胞整體造成的連鎖影響。
• 具狀態記憶（stateful）： 模擬中的細胞會保留先前介入留下的後果，因此可以處理有先後順序的情境，例如先進行基因剔除、再加入藥物，或連續接受多次治療。在這些情境中，第二次反應會受到第一次介入所形成的細胞狀態影響。

這也是 AIDO Cell 被稱為「世界模型」的實際含義：它不只是替靜態生物樣本做分類，而是試圖呈現細胞狀態如何隨著一連串介入而改變，以及細胞如何回應這些變化。

它和 AlphaFold 有什麼不同？

AlphaFold 最廣為人知的任務，是預測單一蛋白質的結構；AIDO Cell 的目標則更偏向系統層次，試圖模擬整個細胞的分子機制如何運作，以及某一層級的變化如何影響其他層級。

兩者並不是誰取代誰的關係，而是在回答不同問題：AlphaFold 關注的是「一個蛋白質可能長什麼樣子」；AIDO Cell 則想探索「當細胞中的分子元件或外部輸入受到干預時，整個細胞系統會發生什麼事」。

AIDO Cell 也延伸自 GenBio 早期的單細胞基礎模型。AIDO.Cell 模型系列以約 5,000 萬個人類細胞作為訓練資料，模型規模從 300 萬至 6.5 億個參數不等，早期系統主要用於理解細胞的轉錄體脈絡。 新的虛擬細胞方向，則是把這項基礎推向整合不同生物尺度的模擬。

AIDO 背後的三階段策略

AIDO Cell 是 GenBio AI 更大規模的「AI 驅動數位有機體」（AI-Driven Digital Organism，AIDO）計畫其中一步。整體路線圖分為三個階段：

1. 分而治之（Divide and conquer）： 針對不同生物資料類型與尺度，分別建立專門的基礎模型，涵蓋 DNA、RNA、蛋白質、細胞與組織等。
2. 串起關聯（Connect the dots）： 把這些模型連接起來，讓資訊、模型表徵與介入訊號能夠跨越不同生物尺度傳遞。
3. 整合模擬與程式化生物學（Conquer through integrated simulation and programming）： 利用已連接的系統預測生物結果，並進一步協助設計跨生物系統的介入方式。這仍是 AIDO 的長期願景，並非目前 AIDO Cell 預覽版本已經證實具備的能力。

GenBio 過去曾將 AIDO 描述為一套涵蓋 DNA、RNA、蛋白質與單細胞表現等主要生物資料類型的多尺度模型系統。 真正的難題不只是把模型做得更大，而是要讓不同生物表徵彼此協作，足以支援看似因果的介入模擬，並產生能在實驗中驗證的預測。

imatinib 示範了什麼？

在初步案例中，GenBio 表示，AIDO Cell 重現了 imatinib 在 K562 白血病細胞中的已知作用與機制。這項示範主要是要展示模型如何在模擬的細胞環境中，追蹤藥物介入所引發的後續影響。

這是重要的概念驗證，但不能直接視為前瞻性驗證。事後重現已知生物學，並不等於模型已能預測未曾見過的藥物反應、找出有效的新化合物，或證明其表現勝過更簡單的計算方法。公開資料也未披露足以支持這些更強主張的量化準確率、統計分析、正面比較結果或前瞻性實驗驗證。

目前支援哪些細胞？

目前公開的 AIDO Cell 預覽版本支援兩種永生化人類細胞株：

• K562：用於上述 imatinib 案例
• HepG2：

GenBio 表示，更多細胞類型與功能預計在 2026 至 2027 年擴充。 這項擴充相當關鍵，因為在少數永生化細胞株上的表現，不能自動推論到原代人類細胞、組織，甚至患者身上。

它可能如何協助藥物開發？

虛擬細胞的潛在價值，在於研究團隊可以先在電腦中探索大量假設，再決定哪些值得投入昂貴的實驗。理論上，研究人員可比較不同候選化合物、標靶、藥物組合與給藥順序，並尋找可能代表療效、抗藥性或脫靶效應的細胞反應。

因此，AIDO Cell 近期最合理的定位是候選物排序工具。它可能協助研究者判斷哪些化合物值得優先進行實驗、哪些介入值得深入測試，也能找出可能暴露實驗設計弱點的結果。透過觀察細胞在前一次介入後如何改變，模型還可能幫助團隊設計更有資訊量的後續研究。

但這仍是篩選與規劃功能，不是臨床保證。細胞株模型本身無法完整涵蓋人體層級的藥物動力學、免疫與組織交互作用、患者差異、毒性或臨床結果。虛擬細胞不是完整的虛擬人類，電腦模擬出的反應也不能取代動物試驗、人體臨床試驗或監管機構要求的證據。

關鍵限制：預測仍須通過生物學驗證

AIDO Cell 接下來最重要的考驗，是能否進行前瞻性驗證：模型是否能預測未被用來建立示範案例的反應，而這些預測又是否能在受控實驗中成立？

在相關證據出現之前，最穩妥的描述是：AIDO Cell 是一個具潛力的虛擬篩選與實驗規劃層。它的多尺度、具狀態記憶設計，或許能讓生物模擬比孤立的分子模型或轉錄體模型更貼近真實細胞；但僅憑架構本身，無法證明模型具備可靠的預測準確度。從重現已知生物學，到發現可依賴的新生物學，兩者之間仍存在一道決定性的科學鴻溝。

目前進度與如何取得使用資格

GenBio AI 正準備推出面向學術界、生技公司與製藥研究人員的早期存取合作計畫。

就現階段而言，AIDO Cell 應被視為一套早期研究系統：它的涵蓋範圍相當大，可能協助研究團隊縮小實驗搜尋空間，但仍需要更多前瞻性證據，才能支持「加速藥物發現」以外更強的主張，更不代表它已能取代真實生物實驗。