Sağlık

Google DeepMind, insan genomunun işlevini çözmek için AlphaGenome’u tanıttı

Alex McFarland
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarAlphaGenome, tek bir birleşik modelde bir milyon DNA baz çifti boyunca gen…
Daha fazla göster
  • AlphaGenome, tek bir birleşik modelde bir milyon DNA baz çifti boyunca gen düzenlemesini tahmin eder.
  • Model, uzun menzilli genomik etkileşimleri yakalayarak, varyant etkisi tahmininde özelleşmiş araçlardan daha iyi performans gösterir.
  • DeepMind, kodlamayan hastalık mutasyonları araştırmalarını hızlandırmak için AlphaGenome'ı açık kaynak yazılım olarak yayınladı.

Google DeepMind, DNA dizilerinin biyolojik işlevlere nasıl dönüştüğünü tahmin eden yapay zekâ modeli AlphaGenome’u 28 Ocak’ta yayımladı. Model, tek seferde bir milyona kadar baz çiftini işliyor ve varyant etkisini tahmin etmeye yönelik 26 karşılaştırmalı değerlendirmenin 25’inde mevcut modelleri geride bırakıyor.

Model, Nature dergisinde yayımlanmış ve DeepMind blog sitesinde ayrıntılı olarak açıklanmıştır; hesaplamalı genomikte önemli bir ilerlemeyi temsil eder. Önceki modellerin farklı öngörme görevleri için ayrı sistemlere ihtiyacı vardı, AlphaGenome ise gen ifadesinden kromatin erişilebilirliğine kadar her şeyi tek birleşik bir mimari içinde işler.

“AlphaGenome, uzun bir DNA parçasını inceleyebilir ve kritik düzenleyici unsurların nerede olduğunu ve gen ifadesi üzerindeki sonraki etkilerini öngörebilir” diye DeepMind ekibi duyurusunda yazdı. Modelin bir milyon tokenlık bağlam penceresi, genlerin açılıp kapanmasını etkileyen uzak DNA bölgeleri arasındaki uzun menzilli etkileşimleri yakalamasına olanak tanır.

Nasıl Çalışır

AlphaGenome, ham DNA dizilerini işleyen bir Borzoi tarzı 1D konvolüsyonel ağ ve görüntü segmentasyonundan uyarlanan bir U-Net mimarisi olmak üzere iki sinir ağı mimarisini birleştirir. Bu melez yaklaşım, modelin hem DNA’nın sıralı doğasını hem de düzenleyici unsurlar arasındaki karmaşık uzaysal ilişkileri işlemesine olanak tanır.

Eğitim verisi, insan genomu genelindeki işlevsel unsurları kataloglayan büyük ortak araştırma girişimleri olan ENCODE ve FANTOM konsorsiyumlarından yaklaşık 7.000 genomik veri izini kapsar. Model, gen ifadesi, DNA erişilebilirliği, protein bağlanması ve kromatin değişikliklerini ölçen deneysel testlerden sinyalleri öngörmeyi öğrenir.

Araştırmacılar için pratik değer, varyant etkisini tahmin edebilmektir. Bir hastanın genomunda bir mutasyon olduğunda, klinisyenler bu varyantın önemli olup olmadığını bilmelidir. AlphaGenome, tek bir nükleotid değişikliğinin tüm düzenleyici manzarayı nasıl etkileyebileceğini öngörebilir ve mevcut yöntemlerin kaçırdığı hastalığa yol açan varyantları potansiyel olarak saptayabilir.

Model, gen ifadesi ve düzenleyici unsur aktivitesi üzerindeki genetik varyantların etkilerini öngörmeyi test eden benchmark’lerde güçlü sonuçlar elde etti. Gen ifadesi seviyelerini etkileyen varyantlar olan gen ifadesine ilişkin nicel özellik lokuslarında (eQTL’ler), AlphaGenome bu görevler için özel olarak eğitilmiş uzmanlaşmış modellerle eşdeğer veya daha iyi performans gösterdi.

Kaynak Kodunun Erişilebilirliği

DeepMind, AlphaGenome’in kaynak kodunu GitHub üzerinde ticari olmayan kullanım için yayınladı, böylece laboratuvarın temel biyoloji araçlarını kamuoyuna açık bir şekilde sunma şeklini sürdürdü. Deposu, model ağırlıkları, çıkarım kodu ve özel diziler üzerinde öngörüler çalıştırmak için belgeleri içerir.

Açık kaynak yayını, AlphaFold’in modelini takip eder, AlphaFold DeepMind’in protein yapısı öngörme aracıdır ve 2021’deki yayımlanmasından bu yana 3 milyondan fazla araştırmacı tarafından kullanılmıştır. AlphaGenome, bir tamamlayıcı problemi ele alır: AlphaFold proteinlerin nasıl göründüğünü öngörürken, AlphaGenome genlerin bu proteinleri ne zaman ve nerede ürettiğini öngörür.

Google DeepMind CEO’su Demis Hassabis, biyolojiyi laboratuvarın AI yeteneklerinin birincil uygulama alanı olarak konumlandırdı. Genomik çalışmaları, benzer mimari yenilikleri bilimsel sorunlara uygulayarak DeepMind’in hedeflerini Gemini gibi ürünleri destekleyen konuşmaya dayalı yapay zekâ ve dil modellerinin ötesine taşıyor.

Neden Önemli

İnsan genomu yaklaşık 3 milyar baz çifti içerir, ancak yalnızca yaklaşık %1,5’i doğrudan proteinler için kodlar. Geriye kalan %98,5—eski zamanlarda “çöp DNA” olarak görülen—genlerin ne zaman, nerede ve ne kadar ifade edildiğini kontrol eden düzenleyici unsurları içerir. Bu kodlamayan bölgelerdeki mutasyonlar hastalıklara neden olur, ancak hangi varyantların önemli olduğunu belirlemek son derece zor olmuştur.

Geleneksel yöntemler, bireysel varyantların etkilerini test etmek için pahalı ve zaman alan deneyler gerektirir. AlphaGenome gibi makine öğrenimi modelleri, binlerce varyantı hesapsal olarak tarayabilir ve hangilerinin deneysel takip gerektirdiğini önceliklendirebilir. Nadir hastalık teşhisinde, hastaların genellikle bilinmeyen etkileri olan yeni varyantları taşıdığı durumlarda, bu yetenek, dizilemeden tanıya uzanan süreci hızlandırabilir.

Modelin bir milyon baz çifti uzunluğundaki bağlamları işleme yeteneği özellikle önemlidir. Gen düzenleyici unsurları, kontrol ettikleri genlerden yüz binlerce baz çifti uzakta olabilir ve karmaşık 3D DNA katlanmaları aracılığıyla iletişim kurar. Önceki modellerin daha kısa bağlam pencereleri bu uzun menzilli bağımlılıkları yakalayamadı.

AlphaGenome, biyoloji araştırmalarını dönüştüren AI araçlarının büyüyen ekosistemine katılır. Protein yapısı öngörme, ilaç keşfi ve şimdi gen düzenleme, makine öğrenimi için giderek daha çözülebilir sorunlar haline gelir. Genetik araştırma topluluğu için bu modellerin açık erişimi, önceden sadece iyi finanse edilen laboratuvarlara özgü olan hesapsal yeteneklere erişimi demokratikleştirir.

Modelin sınırlamaları da DeepMind’in sunumundan açıkça anlaşılabilir. AlphaGenome, deneysel ölçümleri öngörmekte mükemmel performans gösterirken, bu öngörülerin klinik sonuçlara çevrilmesi için ek doğrulama gereklidir. Kromatin erişilebilirliğini tahmin etmek ile hastalık riskini tahmin etmek arasındaki fark hâlâ oldukça büyüktür.

Şimdilik, AlphaGenome bir araştırma aracı olarak hizmet eder—genomun nasıl çalıştığını anlamayı hızlandırabilecek bir araç, ancak klinik uygulamalar yıllarca uzakta kalabilir. Modeli 160 ülkeden 3.000 bilim insanının kullanması, araştırma topluluğunun DeepMind’in inşa ettiği şeyin hemen değerini gördüğünü gösteriyor.

Alex, Unite.AI’nin AI destekli haber operasyonlarını yönetiyor, gazetecilik, araştırma ve otomasyonu birleştirerek yapay zekanın zamanında ve ölçeklenebilir şekilde kapsanmasını destekliyor. Çalışması, ortaya çıkan AI gelişmelerinin verimli bir şekilde ortaya konulmasını sağlarken, yayının editöryel standartlarını korumasına yardımcı olur.