الرعاية الصحية

Google DeepMind تكشف عن AlphaGenome لفهم وظيفة الجينوم البشري

Alex McFarland
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيتنبأ ألفا جينوم بتنظيم الجينات عبر مليون زوج قاعدي من الحمض النووي في نموذج موحد واحد.
عرض المزيد
  • يتنبأ ألفا جينوم بتنظيم الجينات عبر مليون زوج قاعدي من الحمض النووي في نموذج موحد واحد.
  • يتفوق النموذج على الأدوات المتخصصة في التنبؤ بتأثير المتغيرات الجينية من خلال التقاط التفاعلات الجينومية طويلة المدى.
  • أطلقت ديب مايند ألفا جينوم كبرنامج مفتوح المصدر لتسريع الأبحاث حول الطفرات المرضية غير المشفرة.

أطلقت Google DeepMind AlphaGenome في 28 يناير، وهو نموذج ذكاء اصطناعي يمكنه توقع كيفية ترجمة تسلسلات الحمض النووي إلى وظائف بيولوجية، مع القدرة على معالجة ما يصل إلى مليون زوج قاعدي في وقت واحد والتفوق على النماذج الحالية في 25 من 26 اختبارًا لتنبؤ تأثير المتغيرات.

النموذج، الذي نُشر في مجلة نيتشر وتم توضيحه على مدونة ديب مايند، يمثل تقدمًا كبيرًا في علم الجينوم الحاسوبي. في حين أن النماذج السابقة تتطلب أنظمة منفصلة لمهام التنبؤ المختلفة، يمكن لـ AlphaGenome التعامل مع كل شيء من التعبير الجيني إلى إمكانية الوصول إلى الكروماتين في بنية موحدة.

“يمكن لـ AlphaGenome النظر عبر مسافة طويلة من الحمض النووي وتوقع مكان العناصر التنظيمية الحاسمة وتأثيراتها اللاحقة في التعبير الجيني”، كتب فريق ديب مايند في إعلانهم. تسمح نافذة السياق التي تبلغ مليون رمز للنموذج بالتقاط العلاقات على المدى الطويل بين مناطق الحمض النووي البعيدة التي تؤثر على كيفية تشغيل وإيقاف الجينات.

كيف يعمل

يجمع AlphaGenome بين هيكلين شبكيين عصبيين: شبكة عصبية التفافية أحادية البعد على نمط Borzoi لمعالجة تسلسلات الحمض النووي الخام وبنية U-Net مكيّفة من تجزئة الصور. يسمح هذا النهج الهجين للنموذج بالتعامل مع كل من الطبيعة التسلسلية للحمض النووي والعلاقات المكانية المعقدة بين العناصر التنظيمية.

بيانات التدريب تغطي ما يقرب من 7000 مسار جينومي من اتحادي ENCODE وFANTOM – جهود تعاونية ضخمة قامت بفهرسة العناصر الوظيفية عبر الجينوم البشري. يتعلم النموذج توقع الإشارات من الاختبارات التجريبية التي تقيس التعبير الجيني وإمكانية الوصول إلى الحمض النووي وارتباط البروتينات وتعديلات الكروماتين.

للباحثين، القيمة العملية تكمن في تنبؤ تأثير المتغيرات. عندما يحتوي جينوم المريض على طفرة، يحتاج الأطباء إلى معرفة ما إذا كانت تلك الطفرة مهمة. يمكن لـ AlphaGenome توقع كيف يؤثر تغيير النيوكليوتيد الواحد على المنظر التنظيمي بأكمله، وربما وضع علامة على المتغيرات المسببة للأمراض التي تفوتها الطرق الحالية.

حقق النموذج نتائج قوية في الاختبارات التي تختبر قدرته على توقع كيفية تأثير المتغيرات الجينية على التعبير الجيني ونشاط العناصر التنظيمية. وفي مواضع السمات الكمية للتعبير الجيني (eQTLs)، وهي متغيرات معروفة بتأثيرها في مستويات التعبير الجيني، ضاهى AlphaGenome النماذج المتخصصة المدرّبة تحديداً لهذه المهام أو تفوق عليها.

إتاحة المصدر المفتوح

أصدرت ديب مايند كود مصدر AlphaGenome على GitHub للاستخدام غير التجاري، مواصلةً لنهج المختبر في إتاحة أدوات البيولوجيا الأساسية للجمهور. يتضمن المستودع أوزان النموذج وشيفرة الاستدلال والوثائق لتشغيل التنبؤات على التسلسلات المخصصة.

يتبع هذا الإصدار المفتوح النموذج الذي أرساه AlphaFold، أداة ديب مايند لتنبؤ هيكل البروتين التي استخدمها أكثر من 3 ملايين باحث منذ إصدارها في 2021. يعالج AlphaGenome مشكلة مكملة: في حين يتنبأ AlphaFold بمظهر البروتين، يتنبأ AlphaGenome بمتى وأين تنتج الجينات تلك البروتينات.

وضع ديميس هاسابيس، الرئيس التنفيذي لـ Google DeepMind، البيولوجيا ضمن المجالات الرئيسية لتطبيق قدرات المختبر في الذكاء الاصطناعي. ويوسّع العمل في علم الجينوم طموحات DeepMind إلى ما وراء الذكاء الاصطناعي الحواري ونماذج اللغة التي تشغّل منتجات مثل Gemini، بتطبيق ابتكارات معمارية مماثلة على المشكلات العلمية.

لماذا يهم هذا

يحتوي الجينوم البشري على حوالي 3 مليارات زوج قاعدي، ولكن فقط حوالي 1.5٪ يشفر مباشرة البروتينات. أما النسبة المتبقية، 98.5٪، التي استُبعدت طويلاً باعتبارها «حمضاً نووياً خردة»، فتحتوي على عناصر تنظيمية تتحكم في توقيت التعبير عن الجينات ومكانه ومقداره. تسبب الطفرات في هذه المناطق غير المشفرة أمراضًا، لكن تحديد المتغيرات المهمة كان بالغ الصعوبة.

تتطلب الطرق التقليدية تجارب باهظة التكلفة ومستهلكة للوقت لاختبار المتغيرات الفردية. يمكن لنماذج التعلم الآلي مثل AlphaGenome فحص آلاف المتغيرات حسابيًا، وتحديد الأولوية للمتغيرات التي تستحق المتابعة التجريبية. وفي تشخيص الأمراض النادرة، حيث غالبًا ما يحمل المرضى متغيرات جديدة ذات تأثيرات غير معروفة، يمكن لهذه القدرة تسريع المسار من التسلسل إلى التشخيص.

قدرة النموذج على معالجة سياق مليون زوج قاعدي هي مهمة بشكل خاص. يمكن للعناصر التنظيمية للجينات أن توجد على بعد مئات الآلاف من الأزواج القاعدية من الجينات التي تتحكم فيها، والتواصل من خلال طي الحمض النووي المعقد ثلاثي الأبعاد. لم تتمكن النماذج السابقة ذات النوافذ السياقية الأقصر من التقاط هذه الاعتماديات على المدى الطويل.

ينضم AlphaGenome إلى مجموعة متزايدة من أدوات الذكاء الاصطناعي التي تحول أبحاث البيولوجيا. أصبحت مسائل التنبؤ ببنية البروتين واكتشاف الأدوية، والآن تنظيم الجينات، أكثر قابلية للمعالجة بواسطة التعلم الآلي. وبالنسبة إلى مجتمع أبحاث الوراثة، تُعد إتاحة هذه النماذج مفتوحة المصدر تمكينًا للوصول إلى القدرات الحاسوبية التي كانت مقتصرة في السابق على مختبرات ذات تمويل جيد.

تظهر أيضًا حدود النموذج من العرض الذي قدمته ديب مايند. في حين يتفوق AlphaGenome في توقع القياسات التجريبية، فإن تحويل تلك التنبؤات إلى نتائج سريرية يتطلب تحققاً إضافياً. وتظل الفجوة بين توقع إمكانية الوصول إلى الكروماتين وتنبؤ مخاطر الأمراض كبيرة.

في الوقت الحالي، يعمل AlphaGenome أداةً بحثية قد تسرّع فهم كيفية عمل الجينوم، حتى لو ظلت التطبيقات السريرية على بُعد سنوات. يشير استخدام 3000 عالم عبر 160 دولة للنموذج إلى أن مجتمع البحث يرى قيمة فورية في ما بنته ديب مايند.

يقود أليكس عمليات الأخبار المدعومة بالذكاء الاصطناعي في Unite.AI، حيث يجمع بين الصحافة والبحث والأتمتة لدعم تغطية سريعة وقابلة للتوسع للذكاء الاصطناعي. يساعد عمله في ضمان ظهور التطورات الناشئة في مجال الذكاء الاصطناعي بشكل فعال مع الحفاظ على معايير التحرير في النشرة.