Kesehatan
Google DeepMind Meluncurkan AlphaGenome untuk Menguraikan Fungsi Genom Manusia

Poin utamaAlphaGenome memprediksi regulasi gen di sepanjang satu juta pasangan basa DNA dalam…
Lihat selengkapnya
- AlphaGenome memprediksi regulasi gen di sepanjang satu juta pasangan basa DNA dalam satu model terpadu.
- Model ini mengungguli alat khusus dalam prediksi efek varian dengan menangkap interaksi genomik jarak jauh.
- DeepMind merilis AlphaGenome sebagai perangkat lunak sumber terbuka untuk mempercepat penelitian mutasi penyakit non-pengkodean.
Google DeepMind merilis AlphaGenome pada 28 Januari, sebuah model AI yang memprediksi bagaimana urutan DNA menghasilkan fungsi biologis, memproses hingga satu juta pasangan basa sekaligus dan mengungguli model yang ada dalam 25 dari 26 benchmark prediksi efek varian.
Model ini, diterbitkan di Nature dan dijelaskan di blog DeepMind, merupakan kemajuan signifikan dalam genomika komputasi. Jika model-model sebelumnya memerlukan sistem terpisah untuk berbagai tugas prediksi, AlphaGenome menangani semua hal mulai dari ekspresi gen hingga aksesibilitas kromatin dalam arsitektur tunggal.
“AlphaGenome dapat melihat sepanjang urutan DNA dan memprediksi letak elemen pengatur yang penting serta dampak lanjutannya terhadap ekspresi gen,” tulis tim DeepMind dalam pengumumannya. Jendela konteks model ini yang mencakup satu juta token memungkinkannya menangkap interaksi jarak jauh antardaerah DNA yang saling berjauhan dan memengaruhi pengaktifan serta penonaktifan gen.
Cara Kerjanya
AlphaGenome menggabungkan dua arsitektur jaringan saraf: jaringan konvolusional satu dimensi bergaya Borzoi untuk memproses urutan DNA mentah dan arsitektur U-Net yang disesuaikan dari segmentasi gambar. Pendekatan hibrida ini memungkinkan model untuk menangani baik sifat sekuensial DNA maupun hubungan spasial yang kompleks antara elemen pengatur.
Data pelatihan mencakup sekitar 7.000 jalur data genomik dari konsorsium ENCODE dan FANTOM—upaya kolaboratif besar yang telah mengatalogkan elemen fungsional di seluruh genom manusia. Model ini belajar untuk memprediksi sinyal dari uji eksperimental yang mengukur ekspresi gen, aksesibilitas DNA, pengikatan protein, dan modifikasi kromatin.
Bagi peneliti, nilai praktisnya terletak pada prediksi efek varian. Ketika genom pasien mengandung mutasi, klinisi perlu mengetahui apakah varian tersebut penting. AlphaGenome dapat memprediksi bagaimana perubahan nukleotida tunggal mempengaruhi lanskap pengaturan secara keseluruhan, sehingga berpotensi menandai varian penyebab penyakit yang luput dari metode saat ini.
Model ini mencapai hasil yang kuat pada benchmark yang menguji kemampuannya untuk memprediksi bagaimana varian genetik mempengaruhi ekspresi gen dan aktivitas elemen pengatur. Pada lokus sifat kuantitatif ekspresi (eQTL)—varian yang diketahui memengaruhi tingkat ekspresi gen—AlphaGenome menyamai atau melampaui model khusus yang dilatih untuk tugas-tugas tersebut.
Ketersediaan Kode Sumber
DeepMind merilis kode sumber AlphaGenome di GitHub untuk penggunaan non-komersial, melanjutkan pola lab untuk membuat alat biologi dasar tersedia secara publik. Repositori ini mencakup bobot model, kode inferensi, dan dokumentasi untuk menjalankan prediksi pada urutan kustom.
Rilis terbuka ini mengikuti pola yang dirintis oleh AlphaFold, alat prediksi struktur protein DeepMind yang telah digunakan oleh lebih dari 3 juta peneliti sejak peluncurannya pada 2021. AlphaGenome menangani masalah komplementer: sementara AlphaFold memprediksi bentuk protein, AlphaGenome memprediksi kapan dan di mana gen menghasilkan protein tersebut.
CEO Google DeepMind Demis Hassabis telah menempatkan biologi sebagai domain aplikasi utama untuk kemampuan AI lab. Pekerjaan genomika ini memperluas ambisi DeepMind di luar AI percakapan dan model bahasa yang menggerakkan produk seperti Gemini, menerapkan inovasi arsitektur yang serupa pada masalah ilmiah.
Mengapa Ini Penting
Genom manusia mengandung sekitar 3 miliar pasangan basa, tetapi hanya sekitar 1,5% yang secara langsung mengkodekan protein. Sisanya, sekitar 98,5%—yang pernah dianggap sebagai “DNA sampah”—mengandung elemen pengatur yang mengontrol kapan, di mana, dan seberapa tinggi tingkat ekspresi gen. Mutasi pada wilayah nonpengode ini menyebabkan penyakit, tetapi mengidentifikasi varian mana yang penting sangat sulit.
Metode tradisional memerlukan eksperimen yang mahal dan memakan waktu untuk menguji varian individual. Model pembelajaran mesin seperti AlphaGenome dapat menyaring ribuan varian secara komputasi, memprioritaskan varian mana yang layak untuk diikuti dengan eksperimen. Untuk diagnosis penyakit langka, di mana pasien sering membawa varian baru dengan efek yang tidak diketahui, kemampuan ini dapat mempercepat jalur dari sekuensing hingga diagnosis.
Kemampuan model untuk memproses konteks sepanjang satu juta pasangan basa sangat signifikan. Elemen pengaturan gen dapat berada ratusan ribu pasangan basa dari gen yang dikendalikannya, berkomunikasi melalui lipatan 3D DNA yang kompleks. Model sebelumnya dengan jendela konteks yang lebih pendek tidak dapat menangkap ketergantungan jarak jauh ini.
AlphaGenome bergabung dengan ekosistem AI yang berkembang yang mengubah penelitian biologi. Prediksi struktur protein, penemuan obat, dan sekarang regulasi gen adalah masalah yang semakin dapat diatasi dengan pembelajaran mesin. Bagi komunitas penelitian genetika, ketersediaan terbuka dari model ini mendemokratisasi akses ke kemampuan komputasi yang sebelumnya terbatas pada lab yang dibiayai dengan baik.
Batasan model ini juga jelas dari presentasi DeepMind. Sementara AlphaGenome unggul dalam memprediksi pengukuran eksperimental, menerjemahkan prediksi tersebut ke hasil klinis memerlukan validasi tambahan. Kesenjangan antara prediksi aksesibilitas kromatin dan prediksi risiko penyakit masih sangat besar.
Untuk saat ini, AlphaGenome berfungsi sebagai alat penelitian—yang dapat mempercepat pemahaman tentang bagaimana genom bekerja, bahkan jika aplikasi klinis masih beberapa tahun lagi. 3.000 ilmuwan di 160 negara yang sudah menggunakan model ini menunjukkan bahwa komunitas penelitian melihat nilai langsung dalam apa yang telah dibangun oleh DeepMind.












