Google DeepMind vydal AlphaGenome 2, nový model umělé inteligence pro výzkum genomiky, který předpovídá, jak varianty DNA ovlivňují konkrétní typy lidských buněk – a nalézá téměř dvakrát tolik relevantních genových změn než jeho předchůdce, podle zpravodajství The Decoder o oznámení společnosti.

Vydání řeší jeden z tvrdohlavých problémů genomiky: každá buňka v lidském těle nese stejný plán DNA, ale buňka srdečního svalu čte tuto DNA jinak než imunitní buňka. Předpovídání těchto buněčně specifických rozdílů – a určení toho, které z milionů možných změn písmen DNA skutečně způsobují onemocnění – zůstalo jednou z největších nevyřešených výzev v oboru. Oznámení společnosti Google DeepMind, které bylo ve čtvrtek široce zahrnuto, řadí AlphaGenome 2 jako přímý útok na tento problém a Sundar Pichai zdůraznil rámování, že „každá buňka v našem těle sdílí stejný plán DNA“ v pokrytí, které uvádí Benzinga.

Od hromadných předpovědí k přesnosti typu buněk

Původní AlphaGenome vzal sekvenci DNA dlouhou milion písmen a předpověděl její vlastnosti v tisících experimentů zahrnujících mnoho tkání najednou. Podle Google DeepMind tento paralelní přístup příliš rozšířil kapacitu modelu, takže je těžké zachytit jemné rozdíly mezi blízce souvisejícími typy buněk.

AlphaGenome 2 funguje jinak. Je to podmíněný model: vedle sekvence DNA bere specifický biologický stav jako další vstup a počítá účinky pro tento jeden typ buňky. Systém byl trénován na více než 107 milionech individuálních buněčných profilů zahrnujících 68 tkání u lidí a myší.

Model přesahuje předpovídání toho, jak silně je gen exprimován. Vypočítává také, jak je DNA fyzicky zabalena uvnitř jádra – ukazuje, které úseky genomu jsou přístupné – a nyní předpovídá metylaci DNA, chemické značky, které fungují jako molekulární přepínače pro umlčení nebo aktivaci genů.

Výsledky benchmarku: Velký skok v detekci kauzálních variant

Na referenčním datovém souboru TenK10K pokrývajícím 28 primárních typů imunitních buněk AlphaGenome 2 identifikoval asi 30 procent kauzálních variant a správně předpověděl, zda varianta upreguluje nebo downreguluje gen ve 43 procentech případů. Vyladěná verze původního AlphaGenome zvládla pouze 16 procent a 23 procent stejných úkolů, podle údajů Google DeepMind, které uvádí The Decoder.

Toto zlepšení je důležité, protože celogenomové asociační studie (GWAS) mohou pouze zhruba lokalizovat signály onemocnění v širokých úsecích DNA. Lepší predikce kauzálních variant říká výzkumníkům, které z mnoha variant v přidružené oblasti skutečně stojí za experimentální sledování – rozdíl mezi vodítkem a slepou uličkou.

Model může také odvodit chybějící data z jednoho měření. Pokud výzkumníci měří pouze aktivitu genu buňky, AlphaGenome 2 poskytuje předpovědi pro další vlastnosti, jako je například to, jak pevně jsou zabaleny specifické úseky DNA. To pomáhá laboratořím rozhodnout, které experimenty s mokrou laboratoří stojí za to spustit jako další, a klíčovou architektonickou výhodou je přizpůsobivost: výzkumníci mohou vkládat data o genové aktivitě z pouhých několika desítek buněk a model počítá efekty pro dříve neviditelné stavy buněk – často poráží specializované modely trénované přímo na těchto datech, podle DeepMind.

Mechanismy onemocnění reprodukované výpočtově

Dva předvedené případy ukazují, co model dokáže, aniž by se dotkl laboratorní lavice. AlphaGenome 2 čistě výpočetně reprodukoval mechanismus zánětlivého onemocnění střev dříve identifikovaný ve studii: izoloval přesnou variantu DNA v regulačním přepínači daleko od genu, který selektivně nadměrně aktivuje ETS2 ve střevních makrofázích, zatímco ostatní typy buněk a geny zůstaly z velké části nedotčeny.

V samostatném testu aplikovaném na data ze studie vakcíny COVID-19 mRNA model spolehlivě rozlišil vakcínou aktivované T buňky od klidových a ukázal, že genová varianta spojená se závažnými případy COVID-19 narušuje buněčnou aktivitu hlavně v aktivovaném stavu – efekt, který by v klidových buňkách zůstal neviditelný.

Dostupnost a co přijde dál

AlphaGenome 2 je nyní k dispozici pro nekomerční výzkum prostřednictvím API, zatímco komerční uživatelé získají přístup prostřednictvím uzavřeného náhledu. Google DeepMind výslovně uvádí, že systém není schválen pro klinickou diagnostiku – jedná se o výzkumný nástroj, nikoli o lékařské zařízení.

DeepMind již předpočítal předpovědi pro stovky buněčných a tkáňových stavů, částečně na podporu vývoje léků řízených umělou inteligencí, a společnost říká, že plánuje zavést vyhrazené funkce AlphaGenome 2 na své agentské vývojové platformě Google Antigravity, kde je model nastaven na kombinaci s nástroji jako Gemini 4 pro automatizované výzkumné pracovní postupy.

Vydání přistane v rychle se zahřívajícím poli AI-for-biology. Vlastní linie AlphaFold společnosti DeepMind resetovala strukturální biologii a soupeři se předhánějí v použití velkých modelů na objevování léků. To, co odlišuje AlphaGenome 2, je rozlišení: přizpůsobením typu buňky posouvá variantní interpretaci z průměrů na úrovni populace do specifického buněčného kontextu, kde onemocnění skutečně působí. Pokud se zisky benchmarku udrží při nezávislém použití, model by mohl zkrátit cestu od genetické asociace k mechanickému porozumění – nejdražšímu kroku ve vývoji moderních léků.

Stay Ahead of AI

Umělá inteligence přetváří objevování léků, genomiku a biotechnologie rychleji, než většina pokrytí dokáže držet krok. Pro nejnovější zprávy o AI, výzkumné analýzy a nejnovější vývoj AI sleduje AI Buzz Wire každý průlom, na kterém záleží.

Přečtěte si další zprávy o AI →