Nature Medicine 最近发表的文章，标题像一份工程说明书：《How to build an AI-driven digital organism》。作者 Le Song、Eran Segal 和 Eric Xing 没有宣布某个新模型刷新了榜单，而是回答一个更麻烦的问题：生物学基础模型已经不少了，下一步怎么把它们拼成一个能用的系统。

过去几年，这个领域的成果的确密集。DNA 序列有 Nucleotide Transformer、HyenaDNA、Evo、GET；RNA 有 RNA-FM、CodonBERT；蛋白质有 ESM、ProGen2、xTrimoPGLM，参数已经超过千亿；结构预测有 AlphaFold、ESMFold；单细胞有 GeneFormer、scFoundation、scGPT、scLong。预训练数据规模到了数十亿级。但问题在于，这些模型几乎都是单模态、单任务。一个模型干一件事，换一个任务再训一个。它们没有反映生物学的多尺度本质，因此对生物学而言并不真正基础。

AIDO 的出发点就在这里。它不是一个更强的预测器，而是一个整合系统，把从分子到个体的生物过程放进统一计算表征里。基因、调控元件、蛋白质、细胞器、细胞、组织、器官、个体，都被编码为显式、可操作、多分辨率的向量。这些表征可以由编码器从原始数据计算得到，可以预计算，也可以基于新数据实时计算，并且纳入相互作用实体、时空条件和先验知识。

在这个表征之上，AIDO 提供四种能力。预测，包括序列到结构、扰动到细胞响应、基因型到表型。模拟，是基因操作、分子设计、药物与环境变化的后果。设计，是逆向生成跨尺度干预方案，服务于合成生物学和新型疗法。进化，则是施加模拟适应度景观或对抗性选择压力，研究并优化生物系统的演化。

这四种能力说穿了，是把假说生成、设计筛选和探索搬到计算世界，形成一个更便宜、更安全、更快、可编程、可复用、多任务通用的数字实验环境。

构建路线分三个阶段。

阶段一很直接：分而治之。先为分子序列和结构、相互作用组、细胞、组织、表型分别建立基础模型模块。小分子、DNA、RNA、蛋白质、多序列比对，每一类都需要重新考虑 tokenization 和架构。生物 token 不能照搬文本，它要对齐有意义的生物单位，比如序列 motif、结构元件、细胞状态、生理轨迹。架构也要能处理长程依赖、层级调控、三维几何和稀疏的细胞表征。标准 Transformer 不够用。分子结构需要等变模型，基因组调控需要稀疏层级架构，单细胞数据需要非对称编码器-解码器。

模块建好之后，真正的困难是整合。作者给了四条可复用的原则。

第一条，生物序列的标记语言模型。DNA、RNA、蛋白质通常被孤立建模。如果把编码区、非编码区、调控元件、功能域这些结构化注释直接嵌入序列表征，单一模型就可以联合学习基因组、转录本片段和蛋白质，显式编码中心法则的对应关系。这比三套割裂的序列模型更接近真实的信息流。

第二条，多维位置编码。文本是一维的，但生物数据天然多维。多序列比对有进化对齐，蛋白质在三维空间折叠，细胞在组织中有空间排布。给 MSA 或空间转录组设计二维位置编码，让注意力沿多个轴同时计算，能捕捉一维编码看不见的进化约束和细胞集体行为。

第三条，可微计算图。图神经网络和消息传递框架适合整合分子互作网络、信号通路、细胞状态与表型结局。分子层嵌入沿通路传播，为单细胞和组织级模型提供信息；高层表型约束又反过来细化低层表征。

第四条可以用细胞 FM 的组合方式说明。把 DNA 序列 FM 和相互作用组 FM 的嵌入，通过可微计算图接入细胞模型，预测基因表达。这样得到的是一个端到端可微的多尺度系统，而不是几个模型之间的手工拼接。

阶段三是跨尺度对齐和联合优化。各模块不再独立运行，表征跨层级传播，高层语境向下回传修正低层嵌入。优化使用跨尺度任务目标的加权组合。这里有个容易忽略的细节：对齐不能覆盖专长。各模块预训练时学到的专属知识要保留，否则整体性能可能上去了，生物学合理性反而下降。

AIDO 之上的世界模型不止做表征学习。它要建模生物动力学：给定系统当前状态和一个干预——基因扰动、分子设计、药物治疗或环境变化——模型能模拟系统如何随时间响应和演化。干预可以连续施加，模型生成整条生物状态轨迹及其分子、细胞、表型后果。这支撑的是反事实推演和长程模拟。

文章用一个代谢疾病例子说明这套系统怎么用。AIDO 不是静态模型库，而是可进化的计算框架。预测任务可以挂轻量级任务专用模块，用少量标注数据训练；持续预训练做领域适配，比如把通用基因组 FM 在肝脏特异性调控数据上继续预训练，把通用细胞 FM 适配到肝细胞或特定疾病状态。对复杂疾病，再把分子、细胞、表型 FM 与适配模块按层级接起来，得到疾病专用数字生命体。

代谢疾病的完整工作流分五步。第一步，用已知生物学验证模型。他汀类药物是标准测试用例。适配后的 AIDO 应该能还原 HMG-CoA 还原酶是他汀疗法的核心靶点，重现阿托伐他汀与 HMGCR 催化口袋的相互作用，并预测通路抑制对胆固醇代谢、细胞增殖与调控反馈程序的下游后果。第二步，发现新靶点。在胆固醇调控网络中传播扰动，识别操纵后能改善代谢表型的基因、蛋白或通路，并按跨尺度预测效应排序。这不同于只盯单一分子层的传统靶点发现。第三步，设计新分子与干预。对优先靶点，用分子 FM 生成候选小分子、生物制剂或基因干预，预测结合界面、靶点特异性和生物物理性质。第四步，多尺度模拟。候选干预在数字生命体内全链路推演，从靶点结合到分子互作网络、细胞调控程序、组织生理、器官功能。肌肉毒性、非预期通路激活等副作用可以在进入实验室之前评估。第五步，预测患者结局。连接电子健康档案、可穿戴设备数据和纵向队列的表型 FM，估计疗效、安全性与个体化响应，指导候选优先级排序、患者分层和临床试验设计。

这个例子最值得注意的地方，不是每一步都很难，而是它们第一次被放进同一个框架里，彼此可以传递信息。

接下来是四个必须回答的问题。

基准测试是第一道坎。AIDO 跨分子、细胞、个体多尺度运行，单一基准不够。蛋白质适应度与功能预测用 ProteinGym，细胞扰动建模用 scPerturb 和 GDSC，表型预测用 UK Biobank 和人类表型项目，并标准化集成进自动化评估流水线。作者给了一个可操作的成功定义：预测精度逼近实验测量的固有不确定性，也就是实验可重复性极限。由于生物复杂性随尺度递增，进展必然渐进。分子级高保真建模会先于细胞模拟，再逐层支撑组织、器官和个体。

可解释性也不能停留在特征归因。Shapley 值、梯度归因、contextualized 模型是起点，但临床有意义的解释需要追踪分子扰动如何沿通路、细胞状态、组织逐级传播。AIDO 的模块化设计有一个优势：结构即解释。每个模块对应明确的生物实体和尺度，模块间连接反映已知的生物学组织原则。高层预测可以附带跨层级中间预测级联，天然产出机制假说。但连接隐表征与真实机制、量化不确定性、区分相关与因果，仍然是未完成的工作。

可信度依赖数据来源、可复现性、透明度和评估。大规模公开数据用于预训练，私有数据只用于适配阶段，并配套数据保护和治理。开源预训练模型、标准化数据格式和共享基准，是社区验证的前提。

安全性可能是最容易被低估的问题。AIDO 能生成生物序列、结构和干预，就有被滥用的可能。设计蛋白、调控元件或细胞扰动的能力，可能被用于制造有害病原体。物理合成和湿实验监管仍然必要，但计算系统内部也要有护栏。类似 LLM 的对齐和强化学习机制，可以检测并拒绝涉及已知致病序列、毒力因子或不安全生物设计的请求；辅以受限生成目标、毒性与致病性分类器、可疑使用模式监控，以及高风险应用的人工审查。

AIDO 的定位是开放、模块化、持续演进的框架。不同实验室和机构可以贡献模型、数据、基准、API 和适配方法，依靠共享接口和标准化评估协议协作。预训练模型、适配软件、表征库和任务套件应开放；临床和商业敏感数据通过联邦学习、隐私保护适配和安全分布式训练，让医院、研究所、生物技术公司和公共卫生机构共同改进模型，而不直接共享原始数据。

如果成功，AIDO 会成为社区共建的生物学基础设施。它不会立刻让生物学变得完全可预测，但至少给出了一条可操作的路径：先把各尺度模型建好，再把它们接起来，最后用跨尺度任务联合优化。剩下的问题不是要不要做，而是谁来做、按什么标准做、安全边界在哪里。对一个长期被复杂性和实验成本拖住的领域来说，这已经是一个足够明确的起点。