Το AlphaGenome 2 της Google DeepMind προβλέπει τις επιπτώσεις των παραλλαγών ανά κυτταρική κατάσταση

Η Google DeepMind ανακοίνωσε το AlphaGenome 2 στις 11 Νοεμβρίου 2026, ένα μοντέλο βαθιάς μάθησης που προβλέπει πώς οι παραλλαγές του DNA επηρεάζουν τη ρύθμιση των γονιδίων σε μεμονωμένους τύπους και καταστάσεις κυττάρων. Εκπαιδεύτηκε σε περισσότερα από 100 εκατομμύρια προφίλ μεμονωμένων κυττάρων και διατίθεται για μη εμπορική έρευνα, ενώ για την εμπορική έρευνα είναι διαθέσιμο σε ιδιωτική προεπισκόπηση.

Η κυκλοφορία του καλύπτει ένα τυφλό σημείο των γονιδιωματικών μοντέλων που εξετάζουν ολόκληρους ιστούς: μια παραλλαγή μπορεί να έχει σημασία μόνο σε ένα εξειδικευμένο κύτταρο ή σε ένα κύτταρο που έχει ενεργοποιηθεί από κάποια ασθένεια, με αποτέλεσμα το σήμα της να εξασθενεί όταν υπολογίζεται ο μέσος όρος για ολόκληρο τον ιστό. Αντίθετα, το AlphaGenome 2 προσαρμόζει κάθε πρόβλεψη σε έναν επιλεγμένο ιστό, τύπο ή κατάσταση κυττάρου, συμπεριλαμβανομένων συνθηκών που προκύπτουν από πείραμα ενός ερευνητή με μεμονωμένα κύτταρα.

Το παλαιότερο AlphaGenome 1 προέβλεπε τη μοριακή δραστηριότητα σε ευρείες κατηγορίες ιστών, ενώ το AlphaGenome Atlas παρείχε προβλέψεις για όλες τις 9 δισεκατομμύρια πιθανές αλλαγές ενός γράμματος στο ανθρώπινο γονιδίωμα. Το AlphaGenome 2 είναι μια ξεχωριστή έκδοση μοντέλου και όχι επέκταση εκείνου του άτλαντα με τις προϋπολογισμένες προβλέψεις.

Ένα μοντέλο που λαμβάνει υπόψη την κυτταρική ταυτότητα

Το AlphaGenome 1 παρήγαγε ταυτόχρονα σταθερές εξόδους για ιστούς και κυτταρικές σειρές, με βάση μια αλληλουχία DNA ενός εκατομμυρίου γραμμάτων. Το AlphaGenome 2 αξιολογεί μία συνθήκη κάθε φορά και την ενσωματώνει σε όλο το δίκτυο, επιτρέποντάς του να αναπαριστά τον διαφορετικό τρόπο με τον οποίο διαβάζεται το ίδιο τμήμα DNA σε διαφορετικούς τύπους κυττάρων. Οι έξοδοί του περιλαμβάνουν τη γονιδιακή έκφραση, το μάτισμα του RNA και την προσβασιμότητα της χρωματίνης, ενώ στις δυνατότητες του αρχικού μοντέλου προστέθηκε και η μεθυλίωση του DNA στα CpG.

Η τεχνική εργασία περιγράφει την εκπαίδευση με δεδομένα από ανθρώπους και ποντίκια, τόσο από πληθυσμούς κυττάρων όσο και από μεμονωμένα κύτταρα. Οι ερευνητές μπορούν να δώσουν δεδομένα RNA-seq μεμονωμένων κυττάρων από ένα νέο πείραμα —μια στιγμιαία αποτύπωση της γονιδιακής δραστηριότητας— και ένας κωδικοποιητής κυττάρων τα μετατρέπει σε συνθήκη χωρίς να απαιτείται περαιτέρω προσαρμογή του μοντέλου. Έτσι, το μοντέλο μπορεί να κάνει προβλέψεις για σύνολα δεδομένων και κυτταρικές καταστάσεις που δεν έχει συναντήσει προηγουμένως.

Ο ίδιος σχεδιασμός μπορεί να συμπληρώνει πειραματικές μετρήσεις που λείπουν. Με μόνα δεδομένα τη γονιδιακή έκφραση, το AlphaGenome 2 μπορεί να προβλέψει μη μετρημένες ιδιότητες, όπως την προσβασιμότητα της χρωματίνης —δηλαδή αν τμήματα του DNA είναι ανοιχτά στη ρύθμιση—, βοηθώντας τους ερευνητές να ιεραρχήσουν τα επόμενα πειράματα. Το τίμημα είναι υπολογιστικό: κάθε συνθήκη απαιτεί ξεχωριστή πρόβλεψη, επομένως το μοντέλο απαιτεί περισσότερους υπολογιστικούς πόρους από μοντέλα πολλαπλών εργασιών με σταθερά σύνολα χαρακτηριστικών.

Αξιολογήσεις παραλλαγών και παραδείγματα ασθενειών

Η εργασία της DeepMind αναφέρει ότι, στο TenK10K, ένα σύνολο δεδομένων ανοσοκυττάρων από μεμονωμένα κύτταρα που περιλαμβάνει 28 τύπους κυττάρων, το AlphaGenome 2 εντόπισε το 30% των παραλλαγών που συνδέονται με την έκφραση και θεωρούνται πιθανώς αιτιώδεις, με ακρίβεια θετικών προβλέψεων 90%, έναντι 16% για το AlphaGenome 1, το οποίο είχε προσαρμοστεί περαιτέρω με δεδομένα μεμονωμένων κυττάρων. Εντόπισε το 43% των κατευθύνσεων επίδρασης των παραλλαγών με ακρίβεια 90%, έναντι 23%. Σε γονιδιωματικές περιοχές που είχαν εξαιρεθεί από την εκπαίδευση, το μοντέλο εξήγησε επίσης διάμεσο ποσοστό 34% της διακύμανσης της γονιδιακής έκφρασης, ανά τύπο κυττάρου εντός κάθε ιστού, έναντι 23% για το ίδιο προσαρμοσμένο με περαιτέρω εκπαίδευση προγενέστερο μοντέλο. Αυτές οι αξιολογήσεις μετρούν τις διαφορές στη ρύθμιση μεταξύ συγγενικών κυττάρων, δηλαδή το πρόβλημα που έχει σχεδιαστεί να αντιμετωπίζει η αρχιτεκτονική με συνθήκες.

Η DeepMind αναφέρει επίσης δύο ερευνητικά παραδείγματα ανάλυσης ειδικά για την κατάσταση των κυττάρων. Σε ανάλυση της φλεγμονώδους νόσου του εντέρου, το AlphaGenome 2 επισήμανε την rs2836882 από ένα σύνολο επτά αξιόπιστων παραλλαγών, τη συνέδεσε με το ETS2, που βρίσκεται σε απόσταση περίπου 290 kilobases, και εντόπισε την προβλεπόμενη επίδραση σε μονοκύτταρα και μακροφάγα του εντέρου, αναπαράγοντας έναν μηχανισμό που είχε ήδη τεκμηριωθεί πειραματικά. Χρησιμοποιώντας δεδομένα μεμονωμένων κυττάρων από μελέτη εμβολίου mRNA κατά της COVID-19, τα οποία ήταν νέα για το μοντέλο, διέκρινε τα Τ κύτταρα που είχαν ενεργοποιηθεί από το εμβόλιο από τα Τ κύτταρα σε ηρεμία και προέβλεψε ισχυρότερη επίδραση, στην ενεργοποιημένη κατάσταση, για μια παραλλαγή που συνδέεται με σοβαρή COVID-19. Μαζί, τα παραδείγματα δείχνουν ότι η προβλεπόμενη επίδραση μιας παραλλαγής μπορεί να εξαρτάται τόσο από τον τύπο του κυττάρου όσο και από την τρέχουσα κατάστασή του.

Προϋπολογισμένοι πόροι και πρόσβαση μέσω API

Η DeepMind προϋπολόγισε δύο πόρους για ερευνητές που δεν θέλουν να εκτελούν οι ίδιοι συγκρίσεις μεγάλης κλίμακας. Ο ένας χαρτογραφεί τις συνδέσεις ενισχυτών και γονιδίων σε 640 πρωτογενείς συνθήκες αναφοράς μεμονωμένων κυττάρων και σε 39.323 γονίδια που κωδικοποιούν πρωτεΐνες και μακρά μη κωδικά RNA· οι ενισχυτές είναι ρυθμιστικά τμήματα DNA που μπορούν να δρουν μακριά από τα γονίδια-στόχους τους. Ο άλλος βαθμολογεί περισσότερες από 6,8 εκατομμύρια μοναδικές κοινές παραλλαγές ενός γράμματος και παραλλαγές που σχετίζονται με χαρακτηριστικά, σε 510 ανθρώπινες συνθήκες, για να υποδείξει πιθανές αιτιώδεις παραλλαγές, γονίδια-στόχους, κατευθύνσεις επίδρασης και σχετικές κυτταρικές καταστάσεις.

Κατά την κυκλοφορία του, το AlphaGenome 2 και τα εκπαιδευτικά σημειωματάρια Colab για τη ρύθμιση βάσει έκφρασης ήταν διαθέσιμα μέσω του AlphaGenome API για μη εμπορική έρευνα, ενώ η εμπορική έρευνα ήταν διαθέσιμη σε ιδιωτική προεπισκόπηση. Η επίσημη τεκμηρίωση αναφέρει ότι η μη εμπορική χρήση του API είναι δωρεάν και ότι τα όρια συχνότητας ερωτημάτων ποικίλλουν ανάλογα με τη ζήτηση. Η DeepMind σχεδιάζει επίσης να διαθέσει το AlphaGenome 2 Skills για το Google Antigravity, την πλατφόρμα ανάπτυξης με πράκτορες τεχνητής νοημοσύνης της εταιρείας. Ο διευθύνων σύμβουλος της Genomics PLC, Peter Donnelly, δήλωσε ότι ανυπομονούσε να ενσωματώσει το AlphaGenome 2 στην πλατφόρμα Mystra της εταιρείας και περιέγραψε τα μοντέλα πρόβλεψης αλληλουχιών ως εργαλεία που βοηθούν να περάσουμε από τα σήματα συσχέτισης στις πληροφορίες που χρειάζονται τα προγράμματα ανάπτυξης φαρμάκων.

Η μελέτη επισημαίνει ότι, ακόμη και με υψηλή ακρίβεια, το AlphaGenome 2 ανακτά μόνο ένα μικρό μέρος των παραλλαγών που συνδέονται με την έκφραση και σχετίζονται με ασθένειες, τις οποίες οι στατιστικές αναλύσεις υποδεικνύουν ως πιθανές αιτίες. Ενδέχεται να υποεκτιμά τις επιδράσεις εκτός της προσβάσιμης χρωματίνης, σε πολύ απομακρυσμένα ρυθμιστικά στοιχεία ή μέσω μηχανισμών που δρουν μετά τη μεταγραφή. Οι παροδικές, διεγερμένες και νοσούσες κυτταρικές καταστάσεις εξακολουθούν να υποεκπροσωπούνται στην εκπαίδευση και στον προκαταρκτικά υπολογισμένο πίνακα παραλλαγών, ενώ παραμένει δύσκολη η διάκριση λεπτομερών υποπληθυσμών νευρώνων.

Οι αναπαραστάσεις αυτών των συνθηκών προέρχονται από προφίλ παρατήρησης σε σταθερή κατάσταση και, επομένως, αποτυπώνουν συσχετίσεις αντί για αιτιώδεις σχέσεις. Παραμένει αβέβαιο αν το μοντέλο μπορεί να προβλέψει αποκρίσεις σε απενεργοποιήσεις γονιδίων, υπερέκφραση ή δυναμικές μεταβάσεις μεταξύ κυτταρικών καταστάσεων. Η DeepMind περιορίζει και τις δύο εκδόσεις του AlphaGenome σε ερευνητική χρήση· καμία από τις δύο δεν έχει επικυρωθεί ούτε εγκριθεί για κλινικούς ή διαγνωστικούς σκοπούς.

Το βασικό αποτέλεσμα είναι μια πιο στοχευμένη διαδρομή από τη συσχέτιση με μια ασθένεια στον εντοπισμό μιας υποψήφιας παραλλαγής, ενός γονιδίου-στόχου και μιας κυτταρικής κατάστασης. Το AlphaGenome 2 μπορεί να περιορίσει την αναζήτηση σε εκατοντάδες συνθήκες, αλλά η ατελής ανάκτηση παραλλαγών και η συσχετιστική προσέγγισή του στις κυτταρικές καταστάσεις σημαίνουν ότι οι υποθέσεις που προκύπτουν εξακολουθούν να απαιτούν πειραματική επαλήθευση.