Ochrona zdrowia

Google DeepMind przedstawia AlphaGenome do odczytywania funkcji ludzkiego genomu

Alex McFarland
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyAlphaGenome przewiduje regulację genów na obszarze miliona par zasad DNA w jednym…
Zobacz więcej
  • AlphaGenome przewiduje regulację genów na obszarze miliona par zasad DNA w jednym zunifikowanym modelu.
  • Model przewyższa wyspecjalizowane narzędzia w przewidywaniu efektów wariantów, dzięki uchwyceniu długodystansowych interakcji genomicznych.
  • DeepMind udostępnił AlphaGenome jako oprogramowanie open-source, aby przyspieszyć badania nad niekodującymi mutacjami chorobotwórczymi.

Google DeepMind wydał AlphaGenome 28 stycznia, model AI, który przewiduje, jak sekwencje DNA przekładają się na funkcje biologiczne, przetwarzając do jednego miliona par zasad jednocześnie i przewyższając istniejące modele w 25 z 26 benchmarków predykcji efektu wariantu.

Model, opublikowany w Nature i szczegółowo opisany na blogu DeepMind, stanowi znaczący postęp w dziedzinie genomiki komputerowej. Tam, gdzie poprzednie modele wymagały oddzielnych systemów dla różnych zadań predykcji, AlphaGenome obsługuje wszystko, od ekspresji genów do dostępności chromatyny, w jednej zunifikowanej architekturze.

“AlphaGenome może spojrzeć na długi odcinek DNA i przewidzieć, gdzie znajdują się krytyczne elementy regulacyjne i ich późniejszy wpływ na ekspresję genów”, napisał zespół DeepMind w swoim komunikacie. Okno kontekstowe modelu o długości miliona tokenów pozwala mu uchwycić oddziaływania dalekosiężne między odległymi regionami DNA, które wpływają na to, jak geny są włączane i wyłączane.

Jak to działa

AlphaGenome łączy dwie architektury sieci neuronowych: jednowymiarową sieć konwolucyjną w stylu Borzoi do przetwarzania surowych sekwencji DNA oraz architekturę U-Net zaadaptowaną z segmentacji obrazu. To hybrydowe podejście pozwala modelowi obsługiwać zarówno sekwencyjny charakter DNA, jak i złożone relacje przestrzenne między elementami regulacyjnymi.

Dane treningowe obejmują około 7 000 ścieżek danych genomowych z konsorcjów ENCODE i FANTOM – zakrojonych na szeroką skalę inicjatyw badawczych, które skatalogowały elementy funkcjonalne w całym ludzkim genomie. Model uczy się przewidywać sygnały z testów eksperymentalnych mierzących ekspresję genów, dostępność DNA, wiązanie białek i modyfikacje chromatyny.

Dla badaczy praktyczna wartość leży w predykcji efektu wariantu. Kiedy genom pacjenta zawiera mutację, klinicyści muszą wiedzieć, czy ten wariant ma znaczenie. AlphaGenome może przewidzieć, jak zmiana jednego nukleotydu wpływa na cały krajobraz regulacyjny, potencjalnie wskazując warianty chorobotwórcze, których obecne metody nie wykrywają.

Model osiągnął silne wyniki w benchmarkach testujących jego zdolność do przewidywania, jak warianty genetyczne wpływają na ekspresję genów i aktywność elementów regulacyjnych. W przypadku loci cech ilościowych ekspresji (eQTL), czyli wariantów, o których wiadomo, że wpływają na poziom ekspresji genów, AlphaGenome dorównał wyspecjalizowanym modelom trenowanym do tych zadań lub je przewyższył.

Dostępność kodu źródłowego

DeepMind wydał kod źródłowy AlphaGenome na GitHub do użytku niekomercyjnego, kontynuując praktykę laboratorium polegającą na publicznym udostępnianiu podstawowych narzędzi biologicznych. Repozytorium zawiera wagi modelu, kod wnioskowania i dokumentację do uruchamiania predykcji na niestandardowych sekwencjach.

Otwarte udostępnienie nawiązuje do praktyki zapoczątkowanej przez AlphaFold, narzędzie DeepMind do predykcji struktury białek, które zostało użyte przez ponad 3 miliony badaczy od jego premiery w 2021 roku. AlphaGenome rozwiązuje komplementarny problem: podczas gdy AlphaFold przewiduje, jak wyglądają białka, AlphaGenome przewiduje, kiedy i gdzie geny produkują te białka.

Dyrektor generalny Google DeepMind, Demis Hassabis, wskazał biologię jako jeden z głównych obszarów zastosowania możliwości laboratorium w dziedzinie AI. Praca nad genomiką rozszerza ambicje DeepMind poza konwersacyjną AI i modele językowe, które napędzają produkty takie jak Gemini, stosując podobne innowacje architektoniczne do problemów naukowych.

Dlaczego to ma znaczenie

Ludzki genom zawiera około 3 miliardów par zasad, ale tylko około 1,5% koduje bezpośrednio białka. Pozostałe 98,5% – przez długi czas uznawane za „śmieciowe DNA” – zawiera elementy regulacyjne, które kontrolują, kiedy, gdzie i w jakim stopniu zachodzi ekspresja genów. Mutacje w tych regionach niekodujących powodują choroby, ale ustalenie, które warianty mają znaczenie, było niezwykle trudne.

Tradycyjne metody wymagają drogich, czasochłonnych eksperymentów w celu przetestowania poszczególnych wariantów. Modele uczenia maszynowego, takie jak AlphaGenome, mogą analizować komputerowo tysiące wariantów i wskazywać te, które warto dalej badać eksperymentalnie. W przypadku diagnozy rzadkich chorób, gdzie pacjenci często noszą nowe warianty o nieznanych skutkach, ta zdolność mogłaby przyspieszyć ścieżkę od sekwencjonowania do diagnozy.

Zdolność modelu do przetwarzania kontekstów o długości miliona par zasad jest szczególnie istotna. Elementy regulacyjne genów mogą znajdować się setki tysięcy par zasad od genów, które kontrolują, komunikując się przez złożone trójwymiarowe zwijanie DNA. Poprzednie modele o krótszych oknach kontekstowych nie mogły uchwycić tych dalekosiężnych zależności.

AlphaGenome dołącza do rosnącego ekosystemu narzędzi AI, które transformują badania biologiczne. Predykcja struktury białek, odkrywanie leków i obecnie także regulacja genów stają się problemami coraz łatwiejszymi do rozwiązywania za pomocą uczenia maszynowego. Dla społeczności badaczy genetyki otwarta dostępność tych modeli demokratyzuje dostęp do możliwości obliczeniowych, które wcześniej były ograniczone do dobrze finansowanych laboratoriów.

Ograniczenia modelu są również widoczne w prezentacji DeepMind. Podczas gdy AlphaGenome wyróżnia się w przewidywaniu pomiarów eksperymentalnych, przełożenie tych prognoz na wyniki kliniczne wymaga dodatkowej walidacji. Różnica między przewidywaniem dostępności chromatyny a przewidywaniem ryzyka choroby pozostaje znacząca.

Na razie AlphaGenome służy jako narzędzie badawcze – które mogłoby przyspieszyć zrozumienie, jak działa genom, nawet jeśli zastosowania kliniczne pozostają odległe o lata. Fakt, że modelu używa już 3 000 naukowców ze 160 krajów, sugeruje, że społeczność badawcza widzi natychmiastową wartość w tym, co DeepMind zbudował.

Alex prowadzi operacje informacyjne zasilane AI w Unite.AI, łącząc dziennikarstwo, badania i automatyzację, aby wspierać terminowe i skalowalne relacjonowanie sztucznej inteligencji. Jego praca pomaga zapewnić, że nowe osiągnięcia w dziedzinie AI są prezentowane efektywnie, przy zachowaniu standardów redakcyjnych publikacji.