Υγεία
Η Google DeepMind παρουσιάζει το AlphaGenome για την αποκωδικοποίηση της λειτουργίας του ανθρώπινου γονιδιώματος

Βασικά σημείαΤο AlphaGenome προβλέπει τη ρύθμιση των γονιδίων σε ένα εκατομμύριο ζεύγη βάσεων DNA σε…
Δείτε περισσότερα
- Το AlphaGenome προβλέπει τη ρύθμιση των γονιδίων σε ένα εκατομμύριο ζεύγη βάσεων DNA σε ένα ενιαίο μοντέλο.
- Το μοντέλο ξεπερνά τα εξειδικευμένα εργαλεία στην πρόβλεψη της επίδρασης των παραλλαγών, καταγράφοντας αλληλεπιδράσεις μεγάλης εμβέλειας στο γονιδίωμα.
- Η DeepMind κυκλοφόρησε το AlphaGenome ως λογισμικό ανοιχτού κώδικα για να επιταχύνει την έρευνα στις μη-κωδικοποιητικές μεταλλάξεις ασθενειών.
Η Google DeepMind κυκλοφόρησε το AlphaGenome στις 28 Ιανουαρίου, ένα μοντέλο AI που προβλέπει πώς οι ακολουθίες DNA μετατρέπονται σε βιολογικές λειτουργίες, επεξεργαζόμενο έως και ένα εκατομμύριο ζεύγη βάσεων ταυτόχρονα και υπερβαίνοντας τα υπάρχοντα μοντέλα σε 25 από 26 συγκριτικές δοκιμές πρόβλεψης επίδρασης παραλλαγών.
Το μοντέλο, το οποίο δημοσιεύτηκε στο Nature και περιγράφεται λεπτομερώς στο μπλογκ της DeepMind, αντιπροσωπεύει σημαντική πρόοδο στην υπολογιστική γονιδιωματική. Όπου τα προηγούμενα μοντέλα απαιτούσαν ξεχωριστά συστήματα για διαφορετικές εργασίες πρόβλεψης, το AlphaGenome χειρίζεται τα πάντα, από την έκφραση γονιδίων έως την προσβασιμότητα της χρωματίνης, σε μια ενιαία αρχιτεκτονική.
“Το AlphaGenome μπορεί να κοιτάξει σε μια μακρά ακολουθία DNA και να προβλέψει πού βρίσκονται τα κρίσιμα ρυθμιστικά στοιχεία και οι επιπτώσεις τους στην έκφραση γονιδίων”, έγραψε η ομάδα της DeepMind στην ανακοίνωσή της. Το παράθυρο συμφραζομένων ενός εκατομμυρίου token του μοντέλου του επιτρέπει να καταγράψει αλληλεπιδράσεις μεγάλης εμβέλειας μεταξύ απομακρυσμένων περιοχών DNA που επηρεάζουν πώς τα γονίδια ενεργοποιούνται και απενεργοποιούνται.
Πώς Λειτουργεί
Το AlphaGenome συνδυάζει δύο αρχιτεκτονικές νευρωνικών δικτύων: ένα μονοδιάστατο συνελικτικό δίκτυο τύπου Borzoi για την επεξεργασία των ακατέργαστων ακολουθιών DNA και μια αρχιτεκτονική U-Net προσαρμοσμένη από την κατάτμηση εικόνων. Αυτή η υβριδική προσέγγιση επιτρέπει στο μοντέλο να χειρίζεται τόσο την ακολουθιακή φύση του DNA όσο και τις σύνθετες χωρικές σχέσεις μεταξύ ρυθμιστικών στοιχείων.
Τα δεδομένα εκπαίδευσης καλύπτουν περίπου 7.000 διαδρομές γονιδιωματικών δεδομένων από τις κοινοπραξίες ENCODE και FANTOM—μεγάλες συνεργατικές προσπάθειες που έχουν καταλογραφήσει λειτουργικά στοιχεία σε όλο το ανθρώπινο γονιδίωμα. Το μοντέλο μαθαίνει να προβλέπει σήματα από πειραματικές μετρήσεις που μετρούν την έκφραση γονιδίων, την προσβασιμότητα του DNA, τη δέσμευση πρωτεϊνών και τις τροποποιήσεις χρωματίνης.
Για τους ερευνητές, η πρακτική αξία βρίσκεται στην πρόβλεψη της επίδρασης παραλλαγών. Όταν το γονιδίωμα ενός ασθενούς περιέχει μια μετάλλαξη, οι κλινικοί γιατροί πρέπει να γνωρίζουν αν αυτή η παραλλαγή έχει σημασία. Το AlphaGenome μπορεί να προβλέψει πώς μια αλλαγή σε ένα μόνο νουκλεοτίδιο επηρεάζει ολόκληρο το ρυθμιστικό τοπίο, επισημαίνοντας ενδεχομένως παθογόνες παραλλαγές που οι σημερινές μέθοδοι δεν εντοπίζουν.
Το μοντέλο πέτυχε ισχυρά αποτελέσματα σε συγκριτικές δοκιμές που εξετάζουν την ικανότητά του να προβλέπει πώς οι γενετικές παραλλαγές επηρεάζουν την έκφραση γονιδίων και τη δραστηριότητα ρυθμιστικών στοιχείων. Σε γονιδιωματικούς τόπους ποσοτικών χαρακτηριστικών έκφρασης (eQTL)—παραλλαγές που είναι γνωστό ότι επηρεάζουν τα επίπεδα έκφρασης γονιδίων—το AlphaGenome έφτασε ή ξεπέρασε την απόδοση εξειδικευμένων μοντέλων που εκπαιδεύτηκαν ειδικά για αυτές τις εργασίες.
Διαθεσιμότητα Ανοικτού Κώδικα
Η DeepMind κυκλοφόρησε τον πηγαίο κώδικα του AlphaGenome στο GitHub για μη εμπορική χρήση, συνεχίζοντας το πρότυπο του εργαστηρίου να κάνει διαθέσιμα δημόσια βασικά εργαλεία βιολογίας. Το αποθετήριο περιλαμβάνει βάρη μοντέλου, κώδικα εξαγωγής συμπερασμάτων και τεκμηρίωση για την εκτέλεση προβλέψεων σε προσαρμοσμένες ακολουθίες.
Η ανοικτή κυκλοφορία ακολουθεί το μοντέλο που καθόρισε το AlphaFold, το εργαλείο πρόβλεψης δομής πρωτεϊνών της DeepMind που έχει χρησιμοποιηθεί από πάνω από 3 εκατομμύρια ερευνητές από την κυκλοφορία του το 2021. Το AlphaGenome αντιμετωπίζει ένα συμπληρωματικό πρόβλημα: ενώ το AlphaFold προβλέπει τη μορφή των πρωτεϊνών, το AlphaGenome προβλέπει πότε και πού τα γονίδια παράγουν αυτές τις πρωτεΐνες.
Ο CEO της Google DeepMind, Demis Hassabis, έχει τοποθετήσει τη βιολογία ως μια πρωταρχική περιοχή εφαρμογής των ικανοτήτων AI του εργαστηρίου. Η έρευνα στη γονιδιωματική επεκτείνει τις φιλοδοξίες της DeepMind πέρα από τη συνομιλιακή AI και τα γλωσσικά μοντέλα που τροφοδοτούν προϊόντα όπως το Gemini, εφαρμόζοντας παρόμοιες αρχιτεκτονικές καινοτομίες σε επιστημονικά προβλήματα.
Γιατί Αυτό Έχει Σημασία
Το ανθρώπινο γονιδίωμα περιέχει περίπου 3 δισεκατομμύρια ζεύγη βάσεων, αλλά μόνο περίπου το 1,5% κωδικοποιεί απευθείας πρωτεΐνες. Το υπόλοιπο 98,5%—για πολύ καιρό απορρίφθηκε ως “σκουπίδια DNA”—περιέχει ρυθμιστικά στοιχεία που ελέγχουν πότε, πού και σε ποιον βαθμό εκφράζονται τα γονίδια. Οι μεταλλάξεις σε αυτές τις μη κωδικοποιούσες περιοχές προκαλούν ασθένειες, αλλά η ταυτοποίηση των παραλλαγών που έχουν σημασία έχει αποδειχθεί εξαιρετικά δύσκολη.
Οι παραδοσιακές μέθοδοι απαιτούν ακριβά, χρονοβόρα πειράματα για να ελέγξουν μεμονωμένες παραλλαγές. Τα μοντέλα μηχανικής μάθησης όπως το AlphaGenome μπορούν να ελέγξουν χιλιάδες παραλλαγές υπολογιστικά, προτιμώντας ποιες από αυτές αξίζουν πειραματική επανεξέταση. Για τη διάγνωση σπάνιων ασθενειών, όπου οι ασθενείς συχνά φέρουν νέες παραλλαγές με άγνωστες επιπτώσεις, αυτή η ικανότητα θα μπορούσε να επιταχύνει τον δρόμο από την αλληλούχιση στη διάγνωση.
Η ικανότητα του μοντέλου να επεξεργάζεται συμφραζόμενα μήκους ενός εκατομμυρίου ζευγών βάσεων είναι ιδιαίτερα σημαντική. Τα γονιδιακά ρυθμιστικά στοιχεία μπορούν να βρίσκονται εκατοντάδες χιλιάδες ζεύγη βάσεων μακριά από τα γονίδια που ελέγχουν, επικοινωνώντας μέσω σύνθετων 3D διπλώσεων DNA. Τα προηγούμενα μοντέλα με μικρότερα παράθυρα συμφραζομένων δεν μπορούσαν να καταγράψουν αυτές τις εξαρτήσεις μεγάλης εμβέλειας.
Το AlphaGenome προστίθεται σε ένα αυξανόμενο οικοσύστημα εργαλείων AI που μεταμορφώνουν την έρευνα βιολογίας. Η πρόβλεψη δομής πρωτεϊνών, η ανακάλυψη φαρμάκων και τώρα η ρύθμιση γονιδίων είναι όλο και πιο εφικτά προβλήματα για τη μηχανική μάθηση. Για την κοινότητα ερευνητών γενετικής, η ανοικτή διαθεσιμότητα αυτών των μοντέλων δημοκρατίζει την πρόσβαση σε υπολογιστικές ικανότητες που προηγουμένως ήταν περιορισμένες σε καλά χρηματοδοτούμενα εργαστήρια.
Τα όρια του μοντέλου είναι επίσης σαφή από την παρουσίαση της DeepMind. Ενώ το AlphaGenome υπερέχει στην πρόβλεψη πειραματικών μετρήσεων, η μετάφραση αυτών των προβλέψεων σε κλινικά αποτελέσματα απαιτεί πρόσθετη επικύρωση. Το χάσμα μεταξύ της πρόβλεψης της προσβασιμότητας της χρωματίνης και πρόβλεψης κινδύνου νόσου παραμένει σημαντικό.
Για τώρα, το AlphaGenome χρησιμεύει ως εργαλείο έρευνας—ένα που θα μπορούσε να επιταχύνει την κατανόηση του πώς λειτουργεί το γονιδίωμα, ακόμη και αν οι κλινικές εφαρμογές παραμένουν χρόνια μακριά. Οι 3.000 επιστήμονες σε 160 χώρες που ήδη χρησιμοποιούν το μοντέλο δείχνουν ότι η ερευνητική κοινότητα βλέπει άμεση αξία σε αυτό που έχει κατασκευάσει η DeepMind.












