Google DeepMind का AlphaGenome 2 कोशिका-अवस्था के अनुसार वैरिएंट के प्रभावों का पूर्वानुमान लगाता है

Google DeepMind ने घोषणा की कि 11 नवंबर 2026 को AlphaGenome 2 जारी किया जाएगा। यह एक डीप-लर्निंग मॉडल है, जो अलग-अलग कोशिका प्रकारों और अवस्थाओं में जीन नियमन पर DNA वैरिएंट के प्रभावों का पूर्वानुमान लगाता है। 10 करोड़ से अधिक अलग-अलग कोशिका प्रोफ़ाइल पर प्रशिक्षित यह मॉडल गैर-व्यावसायिक शोध के लिए उपलब्ध है और व्यावसायिक शोध के लिए निजी पूर्वावलोकन में है।

यह रिलीज़ ऊतक-व्यापी जीनोमिक मॉडल की एक कमी को दूर करती है: कोई वैरिएंट केवल किसी विशिष्ट कोशिका में या बीमारी से सक्रिय हुई कोशिका में असर डाल सकता है, जिससे ऊतक के औसत में उसका संकेत दब जाता है। इसके बजाय, AlphaGenome 2 हर पूर्वानुमान को चुने हुए ऊतक, कोशिका प्रकार या कोशिका-अवस्था के आधार पर तैयार करता है। इसमें शोधकर्ता के अपने एकल-कोशिका प्रयोग से बनी स्थितियाँ भी शामिल हैं।

पहले के AlphaGenome 1 ने व्यापक ऊतकों में आणविक गतिविधि का पूर्वानुमान लगाया था, जबकि AlphaGenome Atlas ने मानव जीनोम में अक्षर के स्तर पर होने वाले सभी 9 अरब संभावित बदलावों के पूर्वानुमान दिए थे। AlphaGenome 2 एक अलग मॉडल रिलीज़ है, उस पूर्व-गणित एटलस का विस्तार नहीं।

कोशिका की पहचान के आधार पर काम करने वाला मॉडल

AlphaGenome 1 ने 10 लाख अक्षरों वाले DNA अनुक्रम से बल्क ऊतकों और कोशिका-रेखाओं के लिए एक साथ निश्चित आउटपुट तैयार किए। AlphaGenome 2 एक समय में एक ही स्थिति का मूल्यांकन करता है और पूरे नेटवर्क में उस स्थिति की जानकारी देता है। इससे यह दिखा सकता है कि अलग-अलग कोशिका प्रकारों में DNA के उसी खंड को किस तरह अलग-अलग पढ़ा जाता है। इसके रीडआउट में जीन अभिव्यक्ति, RNA स्प्लाइसिंग और क्रोमैटिन की सुलभता शामिल हैं; मूल मॉडल की क्षमताओं में CpG DNA मिथाइलेशन भी जोड़ा गया है।

तकनीकी शोधपत्र में मानव और चूहे के बल्क तथा एकल-कोशिका डेटा पर प्रशिक्षण का विवरण है। शोधकर्ता किसी नए प्रयोग से एकल-कोशिका RNA-seq डेटा—यानी जीन गतिविधि की एक झलक—दे सकते हैं। कोशिका एन्कोडर इसे बिना किसी अतिरिक्त मॉडल-अनुकूलन के एक स्थिति में बदल देता है। इससे उन डेटासेट और कोशिका-अवस्थाओं के लिए भी पूर्वानुमान लगाए जा सकते हैं जिन्हें मॉडल ने पहले नहीं देखा है।

इसी संरचना से प्रयोगों के छूटे हुए रीडआउट का भी अनुमान लगाया जा सकता है। केवल जीन-अभिव्यक्ति डेटा मिलने पर AlphaGenome 2 क्रोमैटिन की सुलभता जैसी अमापी गई विशेषताओं का पूर्वानुमान लगा सकता है—यानी यह कि DNA के खंड नियमन के लिए खुले हैं या नहीं। इससे शोधकर्ताओं को आगे किए जाने वाले प्रयोगों को प्राथमिकता देने में मदद मिलती है। इसकी कीमत कंप्यूटिंग के रूप में चुकानी पड़ती है: हर स्थिति के लिए अलग पूर्वानुमान करना होता है, इसलिए इसे चलाने में निश्चित-ट्रैक वाले बहुकार्य मॉडल की तुलना में अधिक संसाधन लगते हैं।

वैरिएंट के मानक परीक्षण और बीमारी के उदाहरण

DeepMind के शोधपत्र के अनुसार, 28 कोशिका प्रकारों वाले एकल-कोशिका प्रतिरक्षा डेटासेट TenK10K पर AlphaGenome 2 ने संभावित रूप से कारणात्मक, अभिव्यक्ति से जुड़े 30% वैरिएंट को 90% परिशुद्धता के साथ पहचाना। इसके मुकाबले, एकल-कोशिका डेटा पर सूक्ष्म-अनुकूलित AlphaGenome 1 ने 16% वैरिएंट पहचाने। AlphaGenome 2 ने वैरिएंट के प्रभाव की दिशा का 43% मामलों में 90% सटीकता के साथ पूर्वानुमान लगाया, जबकि AlphaGenome 1 का आँकड़ा 23% था। प्रशिक्षण से बाहर रखे गए जीनोम क्षेत्रों में भी, मॉडल ने ऊतक के भीतर कोशिका-प्रकार-विशिष्ट जीन-अभिव्यक्ति के विचरण का औसतन 34% समझाया; उसी सूक्ष्म-अनुकूलित पूर्ववर्ती मॉडल के लिए यह 23% था। ये मूल्यांकन संबंधित कोशिकाओं के बीच नियामक अंतर मापते हैं—यही वह समस्या है जिसे सशर्त संरचना हल करने के लिए बनाई गई है।

DeepMind ने कोशिका-अवस्था-विशिष्ट विश्लेषण के दो शोध उदाहरण भी दिए हैं। सूजन आंत्र रोग के एक विश्लेषण में AlphaGenome 2 ने सात वैरिएंट वाले विश्वसनीयता-समुच्चय से rs2836882 को चिह्नित किया, उसे लगभग 290 किलोबेस दूर स्थित ETS2 से जोड़ा और अनुमानित प्रभाव को आंत के मोनोसाइट तथा मैक्रोफेज में सीमित पाया। इस तरह उसने उस प्रक्रिया को दोहराया जिसे पहले प्रयोगों से स्थापित किया जा चुका था। COVID-19 mRNA वैक्सीन के एक अध्ययन से मिले एकल-कोशिका डेटा का इस्तेमाल करते हुए—जो मॉडल के लिए नया था—उसने वैक्सीन से सक्रिय हुई T कोशिकाओं और विश्राम-अवस्था वाली T कोशिकाओं में अंतर किया। साथ ही, उसने गंभीर COVID-19 से जुड़े एक वैरिएंट का सक्रिय अवस्था में अधिक प्रबल प्रभाव होने का पूर्वानुमान लगाया। ये उदाहरण दिखाते हैं कि किसी वैरिएंट का अनुमानित प्रभाव कोशिका के प्रकार और उसकी मौजूदा अवस्था, दोनों पर निर्भर कर सकता है।

पूर्व-गणित संसाधन और API की पहुँच

जो शोधकर्ता बड़े पैमाने पर तुलनाएँ खुद नहीं करना चाहते, उनके लिए DeepMind ने दो संसाधनों की गणना पहले से कर रखी है। पहला, 640 प्राथमिक एकल-कोशिका संदर्भ स्थितियों और प्रोटीन-कोडिंग तथा लंबे गैर-कोडिंग RNA के 39,323 जीनों में एन्हांसर-जीन संबंधों का मानचित्र बनाता है। एन्हांसर नियामक DNA खंड होते हैं, जो अपने लक्षित जीनों से काफी दूर रहकर भी काम कर सकते हैं। दूसरा संसाधन, 510 मानव स्थितियों में 68 लाख से अधिक अलग-अलग सामान्य और लक्षण-संबद्ध एकल-अक्षर वैरिएंट का स्कोर तय करता है, ताकि संभावित कारणात्मक वैरिएंट, लक्षित जीन, प्रभाव की दिशाओं और संबंधित कोशिका-अवस्थाओं की पहचान की जा सके।

लॉन्च के समय AlphaGenome API के ज़रिए गैर-व्यावसायिक शोध के लिए AlphaGenome 2 और अभिव्यक्ति-आधारित कंडीशनिंग पर Colab ट्यूटोरियल उपलब्ध थे; व्यावसायिक शोध के लिए यह निजी पूर्वावलोकन में था। आधिकारिक दस्तावेज़ के अनुसार, गैर-व्यावसायिक API का इस्तेमाल मुफ़्त है और क्वेरी की दर माँग के अनुसार बदलती है। DeepMind की Google Antigravity के लिए AlphaGenome 2 Skills जारी करने की भी योजना है; Google Antigravity उसका एजेंट-आधारित विकास मंच है। Genomics PLC के CEO Peter Donnelly ने कहा कि उन्हें AlphaGenome 2 को कंपनी के Mystra मंच में शामिल करने की उम्मीद है। उन्होंने अनुक्रम-पूर्वानुमान मॉडल को ऐसे साधन बताया, जो शोधकर्ताओं को संबंध के संकेतों से आगे बढ़कर वह जानकारी हासिल करने में मदद करते हैं जिसकी दवा-विकास कार्यक्रमों को ज़रूरत होती है।

शोधपत्र में आगाह किया गया है कि उच्च परिशुद्धता के बावजूद, AlphaGenome 2 उन अभिव्यक्ति-संबद्ध और रोग-संबद्ध वैरिएंट्स के केवल एक छोटे हिस्से की ही पहचान कर पाता है, जिन्हें सांख्यिकीय विश्लेषण संभावित कारणात्मक वैरिएंट के रूप में चिह्नित करते हैं। सुलभ क्रोमैटिन के बाहर, बहुत दूरस्थ नियामक तत्वों पर या प्रतिलेखन के बाद सक्रिय होने वाले तंत्रों के ज़रिए पड़ने वाले प्रभावों का यह कम आकलन कर सकता है। अस्थायी, उद्दीपित और रोग-अवस्थाओं का प्रशिक्षण तथा पूर्व-गणना किए गए वैरिएंट पैनल में अब भी अपर्याप्त प्रतिनिधित्व है, और न्यूरॉन्स के सूक्ष्म उपसमूहों के बीच अंतर करना अब भी कठिन है।

इन स्थितियों के निरूपण अवलोकन-आधारित, स्थिर-अवस्था प्रोफ़ाइलों से आते हैं और इसलिए कारणात्मक संबंधों के बजाय सहसंबंधों को दर्शाते हैं। यह अब भी स्पष्ट नहीं है कि मॉडल जीन नॉकआउट, अतिअभिव्यक्ति या कोशिका-अवस्था के गतिशील संक्रमणों के प्रति प्रतिक्रियाओं का पूर्वानुमान लगा सकता है या नहीं। DeepMind, AlphaGenome के दोनों संस्करणों को केवल अनुसंधान के लिए इस्तेमाल करने की अनुमति देता है; इनमें से किसी को भी नैदानिक या निदान संबंधी उद्देश्यों के लिए मान्य या अनुमोदित नहीं किया गया है।

इसका मुख्य निहितार्थ यह है कि रोग-संबंध से संभावित वैरिएंट, लक्ष्य जीन और कोशिका-अवस्था तक पहुँचने का रास्ता अब अधिक लक्षित हो सकता है। AlphaGenome 2 सैकड़ों स्थितियों में इस खोज का दायरा सीमित कर सकता है, लेकिन वैरिएंट की अधूरी पहचान और कोशिका-अवस्थाओं को सहसंबंधों के रूप में देखने के कारण इससे बनी परिकल्पनाएँ अब भी प्रयोगों के ज़रिए आगे की जाँच पर निर्भर करती हैं।