Google DeepMind, AlphaGenome’i İnsan Genom Fonksiyonunu Çözmek için Duyurdu

Google DeepMind, 28 Ocak’ta AlphaGenome’i yayınladı, bu bir AI modelidir ve DNA dizilerini biyolojik fonksiyonlara nasıl çevirdiğini öngörür, bir defada bir milyona kadar baz çiftini işler ve 26 varyant efekt öngörme benchmark’ının 25’inde mevcut modelleri geride bırakır.

Model, Nature dergisinde yayımlanmış ve DeepMind blog sitesinde ayrıntılı olarak açıklanmıştır, bu 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 aşağı akış etkilerini öngörebilir” diye DeepMind ekibi duyurusunda yazdı. Modelin milyonluk token 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, yaklaşık 7.000 genomik izi kapsar, bunlar ENCODE ve FANTOM konsorsiyumlarından gelir—insan genomu boyunca işlevsel unsurları kataloglamış olan büyük işbirliği çabaları. Model, gen ifadesi, DNA erişilebilirliği, protein bağlanması ve kromatin değişiklikleri ölçen deneysel testlerden sinyalleri öngörmeyi öğrenir.

Araştırmacılar için pratik değer, varyant etki öngörmesindedir. 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 hastalık nedenli 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 ifade nicel trait lokuslarında (eQTL’ler), AlphaGenome bu görevler için özel olarak eğitilmiş uzmanlaşmış modellerle eşdeğer veya daha iyi performans gösterdi.

Açık Kaynak Kullanılabilirlik

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 bu proteinlerin hangi genler tarafından ve ne zaman üretildiğini öngörür.

Google DeepMind CEO’su Demis Hassabis, biyolojiyi laboratuvarın AI yeteneklerinin birincil uygulama alanı olarak konumlandırdı. Genomik çalışmalar, DeepMind’in ambitionsunu, Gemini gibi ürünlerin arkasındaki konuşma AI ve dil modellerinin ötesine taşıyarak, benzer mimari yenilikleri bilimsel sorunlara uygulamaya devam ettirir.

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 non-kodlama bölgelerindeki 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 teşhis yolunu hızlandırabilir.

Modelin milyonluk bağlam penceresi 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 öngörmeden hastalık riskini öngörmeye kadar olan boşluk vẫn önemli ölçüde 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.