Охорона здоров’я

Google DeepMind представляє AlphaGenome для розшифрування функції людського геному

Alex McFarland
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиAlphaGenome прогнозує регуляцію генів на ділянці в один мільйон пар основ ДНК в єдиній…
Показати більше
  • AlphaGenome прогнозує регуляцію генів на ділянці в один мільйон пар основ ДНК в єдиній комплексній моделі.
  • Модель перевершує спеціалізовані інструменти в прогнозуванні ефекту варіантів завдяки врахуванню довгодистанційних геномних взаємодій.
  • DeepMind оприлюднила AlphaGenome як програмне забезпечення з відкритим кодом для прискорення досліджень мутацій у некодуючих ділянках, пов'язаних із захворюваннями.

Google DeepMind випустив AlphaGenome 28 січня, модель штучного інтелекту, яка передбачає, як послідовності ДНК визначають біологічні функції, обробляючи до одного мільйона пар основ одночасно та перевершуючи існуючі моделі у 25 із 26 бенчмарків прогнозування ефектів варіантів.

Модель, опублікована в Nature та докладно описана на блоґу DeepMind, становить суттєвий крок уперед у комп’ютерній геноміці. Якщо попередні моделі вимагали окремих систем для різних завдань прогнозування, AlphaGenome обробляє все, від експресії генів до доступності хроматину, у єдиній уніфікованій архітектурі.

“AlphaGenome може оглянути довгу ділянку ДНК та передбачити, де розташовані ключові регуляторні елементи та як вони надалі впливають на експресію генів”, – написала команда DeepMind у своєму оголошенні. Вікно контексту моделі у мільйон токенів дозволяє їй враховувати взаємодії на великих відстанях між віддаленими ділянками ДНК, які впливають на те, як гени вмикаються та вимикаються.

Як це працює

AlphaGenome поєднує дві архітектури нейронних мереж: одновимірну згорткову мережу в стилі Borzoi для обробки необроблених послідовностей ДНК та архітектуру U-Net, адаптовану із сегментації зображень. Цей гібридний підхід дозволяє моделі обробляти як послідовну природу ДНК, так і складні просторові взаємодії між регуляторними елементами.

Навчальні дані охоплюють приблизно 7 000 треків геномних даних з консорціумів ENCODE та FANTOM – масштабних спільних дослідницьких проєктів, які каталогізували функціональні елементи по всьому людському геному. Модель вчиться передбачати сигнали від експериментальних аналізів, які вимірюють експресію генів, доступність ДНК, зв’язування білків та модифікації хроматину.

Для дослідників практична цінність полягає у передбаченні ефектів варіантів. Коли геном пацієнта містить мутацію, клініцистам потрібно знати, чи має значення той варіант. AlphaGenome може передбачити, як зміна одного нуклеотиду впливає на весь регуляторний ландшафт, потенційно виділяючи варіанти, які спричиняють захворювання, яких не виявляють сучасні методи.

Модель показала сильні результати на бенчмарках, які тестують її здатність передбачати, як генетичні варіанти впливають на експресію генів та активність регуляторних елементів. Для локусів кількісних ознак експресії (eQTL) – варіантів, які, як відомо, впливають на рівень експресії генів, – AlphaGenome досягла результатів на рівні спеціалізованих моделей, навчених саме для цих завдань, або перевершила їх.

Доступність вихідного коду

DeepMind випустив вихідний код AlphaGenome на GitHub для некомерційного використання, продовжуючи практику лабораторії щодо надання відкритого доступу до основних інструментів біології. Репозиторій включає ваги моделі, код інференції та документацію для виконання прогнозів на користувальницьких послідовностях.

Відкритий реліз наслідує підхід, започаткований AlphaFold – інструментом DeepMind для прогнозування структури білків, яким із моменту випуску у 2021 році скористалися понад 3 мільйони дослідників. AlphaGenome вирішує доповнювальну проблему: тоді як AlphaFold передбачає, який вигляд мають білки, AlphaGenome передбачає, коли та де гени виробляють ці білки.

Головний виконавчий директор Google DeepMind Деміс Хассабіс позиціонував біологію як основну сферу застосування можливостей штучного інтелекту лабораторії. Робота у галузі геноміки розширює амбіції DeepMind за межі розмовного штучного інтелекту та мовних моделей, які живлять продукти, такі як Gemini, застосовуючи подібні архітектурні інновації до наукових проблем.

Чому це важливо

Людський геном містить приблизно 3 мільярди пар основ, але лише близько 1,5% безпосередньо кодують білки. Решта 98,5%, які тривалий час вважали «сміттєвою ДНК», містять регуляторні елементи, які контролюють, коли, де та якою мірою експресуються гени. Мутації в цих некодуючих регіонах спричиняють захворювання, але визначення тих варіантів, які мають значення, було надзвичайно складним.

Традиційні методи вимагають дорогих та тривалих експериментів для тестування окремих варіантів. Моделі машинного навчання, такі як AlphaGenome, можуть обчислювальними методами перевіряти тисячі варіантів, визначаючи ті, що заслуговують на подальше експериментальне дослідження. Для діагностики рідкісних захворювань, де пацієнти часто несуть нові варіанти з невідомими ефектами, ця можливість могла б прискорити шлях від секвенування до діагностики.

Спроможність моделі обробляти контексти у мільйон пар основ особливо значима. Регуляторні елементи генів можуть розташовуватися на відстані сотень тисяч пар основ від генів, які вони контролюють, спілкуючись через складне 3D-звивання ДНК. Попередні моделі з коротшими вікнами контексту не могли захоплювати ці залежності на великих відстанях.

AlphaGenome приєднується до зростаючої екосистеми інструментів штучного інтелекту, які трансформують дослідження біології. Прогнозування структури білків, відкриття ліків та тепер регуляція генів стають все більш вирішуваними проблемами для машинного навчання. Для спільноти генетичних досліджень відкрита доступність цих моделей демократизує доступ до обчислювальних можливостей, які раніше були обмежені добре фінансованими лабораторіями.

Обмеження моделі також очевидні з презентації DeepMind. Хоча AlphaGenome добре працює з прогнозуванням експериментальних вимірювань, переклад цих прогнозів у клінічні результати вимагає додаткової валідації. Розрив між прогнозуванням доступності хроматину та прогнозуванням ризику захворювання залишається суттєвим.

Наразі AlphaGenome служить інструментом для досліджень – тим, який міг би прискорити розуміння того, як працює геном, навіть якщо до клінічного застосування можуть залишатися роки. Те, що модель уже використовують 3 000 науковців зі 160 країн, свідчить про те, що дослідницька спільнота бачить негайну цінність того, що побудував DeepMind.

Alex McFarland

Alex очолює новинний підрозділ Unite.AI, що працює на базі ШІ, поєднуючи журналістику, дослідження та автоматизацію для підтримки своєчасного та масштабованого висвітлення штучного інтелекту. Його робота допомагає забезпечити ефективне виявлення нових розробок ШІ, зберігаючи редакційні стандарти видання.