Здравоохранение

Google DeepMind представил AlphaGenome для расшифровки функции человеческого генома

Alex McFarland
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыAlphaGenome предсказывает регуляцию генов на участке в один миллион пар оснований ДНК в…
Показать больше
  • AlphaGenome предсказывает регуляцию генов на участке в один миллион пар оснований ДНК в рамках единой модели.
  • Модель превосходит специализированные инструменты в предсказании эффекта генетических вариантов благодаря учёту дальнодействующих геномных взаимодействий.
  • DeepMind выпустила AlphaGenome в качестве открытого программного обеспечения для ускорения исследований мутаций в некодирующих областях, связанных с заболеваниями.

Google DeepMind выпустил AlphaGenome 28 января, модель ИИ, которая предсказывает, как последовательности ДНК определяют биологические функции, обрабатывая до одного миллиона пар оснований одновременно и превосходя существующие модели в 25 из 26 тестов прогнозирования эффекта вариантов.

Модель, опубликованная в Nature и подробно описанная в блоге DeepMind, представляет собой значительный шаг вперед в вычислительной геномике. В то время как предыдущие модели требовали отдельных систем для различных задач прогнозирования, AlphaGenome обрабатывает все, от экспрессии генов до доступности хроматина, в единой унифицированной архитектуре.

“AlphaGenome может просматривать длинный участок ДНК и предсказывать, где находятся критические регуляторные элементы и как они впоследствии влияют на экспрессию генов”, – написала команда DeepMind в своем объявлении. Окно контекста модели в один миллион токенов позволяет ей учитывать взаимодействия на больших расстояниях между удаленными областями ДНК, которые влияют на то, как включаются и выключаются гены.

Как это работает

AlphaGenome объединяет две архитектуры нейронных сетей: одномерную сверточную сеть в стиле Borzoi для обработки сырых последовательностей ДНК и архитектуру U-Net, адаптированную из задач сегментации изображений. Этот гибридный подход позволяет модели обрабатывать как последовательную природу ДНК, так и сложные пространственные отношения между регуляторными элементами.

Обучающие данные охватывают примерно 7 000 треков геномных данных из консорциумов ENCODE и FANTOM – масштабных совместных исследовательских проектов, каталогизировавших функциональные элементы по всему человеческому геному. Модель учится предсказывать сигналы от экспериментальных тестов, измеряющих экспрессию генов, доступность ДНК, связывание белков и модификации хроматина.

Для исследователей практическая ценность заключается в прогнозировании эффекта вариантов. Когда геном пациента содержит мутацию, клиницистам необходимо знать, имеет ли этот вариант значение. AlphaGenome может предсказать, как однонуклеотидное изменение влияет на весь регуляторный ландшафт, потенциально выделяя варианты, вызывающие заболевания, которые текущие методы не обнаруживают.

Модель показала хорошие результаты на тестах, проверяющих ее способность предсказывать, как генетические варианты влияют на экспрессию генов и активность регуляторных элементов. Для локусов количественных признаков экспрессии (eQTL) – вариантов, которые, как известно, влияют на уровень экспрессии генов, – AlphaGenome достигла результатов на уровне специализированных моделей, обученных именно для этих задач, или превзошла их.

Доступность с открытым исходным кодом

DeepMind выпустил исходный код AlphaGenome на GitHub для некоммерческого использования, продолжая традицию лаборатории предоставлять открытый доступ к фундаментальным биологическим инструментам. Репозиторий включает веса модели, код вывода и документацию для запуска прогнозов на пользовательских последовательностях.

Открытый выпуск следует подходу, который задал AlphaFold — инструмент DeepMind для прогнозирования структуры белков. С момента выпуска в 2021 году им воспользовались более 3 миллионов исследователей. AlphaGenome решает взаимодополняющую задачу: в то время как AlphaFold прогнозирует, как выглядят белки, AlphaGenome прогнозирует, когда и где гены производят эти белки.

Генеральный директор Google DeepMind Демис Хассабис позиционирует биологию как основную область применения возможностей ИИ лаборатории. Работа в области геномики расширяет амбиции DeepMind за пределы разговорного ИИ и языковых моделей, которые обеспечивают работу таких продуктов, как Gemini, применяя аналогичные архитектурные инновации к научным проблемам.

Почему это важно

Человеческий геном содержит примерно 3 миллиарда пар оснований, но только около 1,5% кодируют напрямую белки. Остальные 98,5% – ранее считавшиеся “мусорной ДНК” – содержат регуляторные элементы, которые контролируют, когда, где и в какой степени экспрессируются гены. Мутации в этих некодирующих областях вызывают заболевания, но выявление значимых вариантов было чрезвычайно трудным.

Традиционные методы требуют дорогостоящих и длительных экспериментов для проверки отдельных вариантов. Модели машинного обучения, такие как AlphaGenome, могут скринировать тысячи вариантов вычислительным путем, определяя приоритетность тех, которые заслуживают дальнейшего экспериментального изучения. Для диагностики редких заболеваний, где пациенты часто имеют новые варианты с неизвестными эффектами, эта возможность может ускорить путь от секвенирования к диагнозу.

Способность модели обрабатывать контексты в один миллион пар оснований особенно значима. Регуляторные элементы генов могут находиться на расстоянии сотен тысяч пар оснований от генов, которые они контролируют, общаясь через сложное трехмерное сворачивание ДНК. Предыдущие модели с более короткими контекстными окнами не могли учитывать эти зависимости на больших расстояниях.

AlphaGenome присоединяется к растущей экосистеме инструментов ИИ, преобразующих биологические исследования. Прогнозирование структуры белков, открытие лекарств и теперь регуляция генов становятся все более решаемыми задачами для машинного обучения. Для исследовательского сообщества генетики открытая доступность этих моделей демократизирует доступ к вычислительным возможностям, которые ранее были ограничены хорошо финансируемыми лабораториями.

Ограничения модели также ясны из презентации DeepMind. Хотя AlphaGenome превосходно предсказывает экспериментальные измерения, перевод этих прогнозов в клинические результаты требует дополнительной валидации. Разрыв между прогнозированием доступности хроматина и прогнозированием риска заболевания остается значительным.

На данный момент AlphaGenome служит исследовательским инструментом, который мог бы ускорить понимание того, как работает геном, даже если до клинического применения еще остаются годы. То, что модель уже используют 3 000 ученых из 160 стран, говорит о том, что исследовательское сообщество видит непосредственную ценность в том, что построил DeepMind.

Alex McFarland

Alex руководит новостными операциями Unite.AI, основанными на ИИ, объединяя журналистику, исследования и автоматизацию для обеспечения своевременного и масштабируемого освещения искусственного интеллекта. Его работа помогает эффективно выявлять новые разработки в области ИИ, при этом соблюдая редакционные стандарты издания.