Sănătate

Google DeepMind lansează AlphaGenome pentru decodificarea funcției genomului uman

Alex McFarland
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieAlphaGenome prezice reglarea genelor pe o distanță de un milion de perechi de baze ADN…
Vezi mai mult
  • AlphaGenome prezice reglarea genelor pe o distanță de un milion de perechi de baze ADN într-un singur model unificat.
  • Modelul depășește instrumentele specializate în predicția efectului variantelor genomice, capturând interacțiuni genomice de lungă rază.
  • DeepMind a lansat AlphaGenome ca software open-source pentru a accelera cercetarea mutațiilor din zonele non-codante asociate bolilor.

Google DeepMind a lansat AlphaGenome pe 28 ianuarie, un model de inteligență artificială care prezice cum secvențele de ADN se traduc în funcții biologice, procesând până la un milion de perechi de baze simultan și depășind modelele existente în 25 din 26 de benchmark-uri de predicție a efectului variantelor.

Modelul, publicat în Nature și detaliat pe blogul DeepMind, reprezintă un progres semnificativ în genomica computațională. În timp ce modelele anterioare necesitau sisteme separate pentru diferite sarcini de predicție, AlphaGenome gestionează totul, de la expresia genică la accesibilitatea cromatinei, într-o singură arhitectură unificată.

“AlphaGenome poate examina o porțiune lungă de ADN și prezice unde sunt elementele regulatorii critice și efectele lor asupra expresiei genice”, a scris echipa DeepMind în anunțul lor. Fereastra de context de un milion de tokenuri a modelului îi permite să capteze interacțiunile la distanță mare dintre regiunile de ADN îndepărtate care influențează modul în care genele sunt activate sau dezactivate.

Cum funcționează

AlphaGenome combină două arhitecturi de rețele neuronale: o rețea convoluțională 1D de tip Borzoi pentru procesarea secvențelor brute de ADN și o arhitectură U-Net adaptată din segmentarea imaginilor. Această abordare hibridă permite modelului să gestioneze atât natura secvențială a ADN-ului, cât și relațiile spațiale complexe dintre elementele regulatorii.

Datele de antrenare acoperă aproximativ 7.000 de serii de măsurători genomice de la consorțiile ENCODE și FANTOM – eforturi colaborative masive care au catalogat elemente funcționale de-a lungul genomului uman. Modelul învață să prezică semnale de la teste experimentale care măsoară expresia genică, accesibilitatea ADN-ului, legarea proteinelor și modificările cromatinei.

Pentru cercetători, valoarea practică constă în predicția efectului variantelor. Când genomul unui pacient conține o mutație, clinicienii trebuie să știe dacă acea variantă are importanță. AlphaGenome poate prezice cum modificarea unei singure nucleotide afectează întregul peisaj regulator, potențial marcând variante care cauzează boli și care sunt ratate de metodele actuale.

Modelul a obținut rezultate puternice în benchmark-urile care testează capacitatea sa de a prezice cum variantele genetice afectează expresia genică și activitatea elementelor regulatorii. La locii asociați cu variația cantitativă a expresiei genice (eQTL) – variante cunoscute a afecta nivelurile de exprimare a genelor – AlphaGenome a egalat sau a depășit modele specializate antrenate în mod specific pentru aceste sarcini.

Disponibilitatea codului sursă

DeepMind a lansat codul sursă al lui AlphaGenome pe GitHub pentru utilizare non-comercială, continuând modelul laboratorului de a face disponibile public instrumente fundamentale de biologie. Depozitul include ponderile modelului, cod de inferență și documentație pentru rularea predicțiilor pe secvențe personalizate.

Publicarea deschisă urmează modelul stabilit de AlphaFold, instrumentul de predicție a structurii proteinelor al lui DeepMind, care a fost utilizat de peste 3 milioane de cercetători de la lansarea sa în 2021. AlphaGenome abordează o problemă complementară: în timp ce AlphaFold prezice cum arată proteinele, AlphaGenome prezice când și unde genele produc aceste proteine.

CEO-ul Google DeepMind, Demis Hassabis, a poziționat biologia ca un domeniu de aplicație principal pentru capacitățile de inteligență artificială ale laboratorului. Lucrările de genomică extind ambițiile lui DeepMind dincolo de inteligența artificială conversațională și modelele de limbaj care alimentează produse precum Gemini, aplicând inovații arhitecturale similare la probleme științifice.

De ce este important

Genomul uman conține aproximativ 3 miliarde de perechi de baze, dar doar aproximativ 1,5 % codifică direct proteine. Restul de 98,5 % – mult timp considerat lipsit de valoare drept „ADN rezidual” – conține elemente regulatorii care controlează când, unde și în ce măsură sunt exprimate genele. Mutațiile în aceste regiuni non-codificatoare cauzează boli, dar identificarea variantelor care contează a fost extraordinar de dificilă.

Metodele tradiționale necesită experimente scumpe și care consumă timp pentru a testa variante individuale. Modelele de învățare automată precum AlphaGenome pot examina mii de variante în mod computațional, prioritizând care dintre ele merită urmărirea experimentală. Pentru diagnosticarea bolilor rare, unde pacienții adesea poartă variante noi cu efecte necunoscute, această capacitate ar putea accelera calea de la secvențiere la diagnostic.

Capacitatea modelului de a procesa contexte de un milion de perechi de baze este deosebit de semnificativă. Elementele regulatorii genice pot fi situate la sute de mii de perechi de baze distanță de genele pe care le controlează, comunicând prin plierea tridimensională complexă a ADN-ului. Modelele anterioare cu ferestre de context mai scurte nu au putut captura aceste dependențe la distanță mare.

AlphaGenome se alătură unui ecosistem în creștere de instrumente de inteligență artificială care transformă cercetarea biologică. Predicția structurii proteinelor, descoperirea de medicamente și acum reglarea genică sunt probleme tot mai abordabile prin învățare automată. Pentru comunitatea de cercetare genetică, disponibilitatea deschisă a acestor modele democratizează accesul la capacități computaționale care erau anterior limitate la laboratoare bine finanțate.

Limitările modelului sunt, de asemenea, clare din prezentarea lui DeepMind. În timp ce AlphaGenome excelează la predicția măsurătorilor experimentale, traducerea acestor predicții în rezultate clinice necesită o validare suplimentară. Prăpastia dintre predicția accesibilității cromatinei și predicția riscului de boală rămâne substanțială.

Pentru moment, AlphaGenome servește ca un instrument de cercetare – unul care ar putea accelera înțelegerea modului în care funcționează genomul, chiar dacă aplicațiile clinice rămân la ani distanță. Cei 3.000 de oameni de știință din 160 de țări care utilizează deja modelul sugerează că această comunitate de cercetare vede valoarea imediată a ceea ce a construit DeepMind.

Alex conduce operațiunile de știri alimentate de AI ale Unite.AI, combinând jurnalismul, cercetarea și automatizarea pentru a susține o acoperire rapidă și scalabilă a inteligenței artificiale. Munca sa ajută la asigurarea că dezvoltările emergente ale AI sunt aduse la lumină eficient, menținând standardele editoriale ale publicației.