Google DeepMind ने AlphaGenome 2, जीनोमिक्स संशोधनासाठी एक नवीन AI मॉडेल जारी केले आहे जे DNA रूपे विशिष्ट मानवी पेशींच्या प्रकारांवर कसा परिणाम करतात याचा अंदाज लावतात — आणि कंपनीच्या घोषणेच्या The Decoder द्वारे कव्हरेजनुसार, त्याच्या पूर्ववर्तीपेक्षा जवळजवळ दुप्पट संबंधित जनुक बदल आढळतात.
रिलीझमध्ये जीनोमिक्सच्या हट्टी समस्यांपैकी एक समस्या आहे: मानवी शरीरातील प्रत्येक पेशी समान डीएनए ब्ल्यूप्रिंट ठेवते, परंतु हृदयाच्या स्नायू पेशी तो डीएनए रोगप्रतिकारक पेशीपेक्षा वेगळ्या पद्धतीने वाचतात. त्या पेशी-विशिष्ट फरकांचा अंदाज लावणे - आणि लाखो संभाव्य DNA अक्षरांपैकी कोणते बदल प्रत्यक्षात रोगास कारणीभूत ठरतात - हे निश्चित करणे - हे या क्षेत्रातील सर्वात मोठे अनसुलझे आव्हान राहिले आहे. गुगल डीपमाइंडची घोषणा, गुरुवारी व्यापकपणे कव्हर केली गेली, अल्फाजेनोम 2 ला त्या समस्येवर थेट हल्ला म्हणून स्थान दिले आणि सुंदर पिचाई यांनी बेन्झिंगा यांनी नोंदवलेल्या लॉन्च कव्हरेजमध्ये "आपल्या शरीरातील प्रत्येक पेशी समान DNA ब्ल्यूप्रिंट सामायिक करते" हे फ्रेमिंग हायलाइट केले.
मोठ्या प्रमाणात अंदाज ते सेल-प्रकार अचूकतेपर्यंत
मूळ अल्फाजेनोमने एक दशलक्ष अक्षरांचा DNA क्रम घेतला आणि एकाच वेळी अनेक ऊतींवर पसरलेल्या हजारो प्रयोगांमध्ये त्याच्या गुणधर्मांचा अंदाज लावला. Google DeepMind च्या मते, त्या समांतर पध्दतीने मॉडेलची क्षमता खूप पातळ केली, ज्यामुळे जवळच्या संबंधित सेल प्रकारांमधील सूक्ष्म फरक कॅप्चर करणे कठीण होते.
AlphaGenome 2 वेगळ्या पद्धतीने कार्य करते. हे एक सशर्त मॉडेल आहे: डीएनए अनुक्रमासोबत, ते एक विशिष्ट जैविक स्थिती अतिरिक्त इनपुट म्हणून घेते आणि त्या एका पेशी प्रकारासाठी परिणामांची गणना करते. मानव आणि उंदरांमध्ये 68 टिश्यूमध्ये पसरलेल्या 107 दशलक्षाहून अधिक वैयक्तिक सेल प्रोफाइलवर सिस्टमला प्रशिक्षण देण्यात आले.
मॉडेल जनुक किती जोरदारपणे व्यक्त केले जाते याचा अंदाज लावण्याच्या पलीकडे जातो. हे देखील गणना करते की डीएनए भौतिकरित्या न्यूक्लियसच्या आत कसे पॅकेज केले जाते - जीनोमचे कोणते भाग प्रवेशयोग्य आहेत हे दर्शविते - आणि आता डीएनए मेथिलेशनचा अंदाज लावते, जे रासायनिक टॅग्ज जीन्स शांत करण्यासाठी किंवा सक्रिय करण्यासाठी आण्विक स्विच म्हणून कार्य करतात.
बेंचमार्क परिणाम: कारणात्मक भिन्नता शोधण्यात मोठी उडी
TenK10K बेंचमार्क डेटासेटवर 28 प्राथमिक रोगप्रतिकारक पेशी प्रकारांचा समावेश आहे, AlphaGenome 2 ने सुमारे 30 टक्के कारणात्मक रूपे ओळखली आणि 43 टक्के प्रकरणांमध्ये एक प्रकार जनुक वाढवतो किंवा कमी करतो की नाही याचा अचूक अंदाज लावला. द डीकोडरने नोंदवलेल्या Google DeepMind च्या आकडेवारीनुसार, मूळ अल्फाजेनोमच्या सुरेख आवृत्तीने समान कार्यांवर फक्त 16 टक्के आणि 23 टक्के व्यवस्थापित केले.
ही सुधारणा महत्त्वाची आहे कारण जीनोम-वाइड असोसिएशन स्टडीज (GWAS) केवळ DNA च्या विस्तृत भागांमध्ये रोग सिग्नल शोधू शकतात. उत्तम कार्यकारण-प्रकार अंदाज संशोधकांना सांगते की संबंधित प्रदेशातील अनेक प्रकारांपैकी कोणते प्रकार प्रायोगिक पाठपुरावा करण्यासारखे आहेत — लीड आणि डेड एंडमधील फरक.
मॉडेल एकाच मापनातून गहाळ डेटाचा अंदाज देखील लावू शकतो. जर संशोधकांनी केवळ सेलच्या जनुक क्रियाकलापांचे मोजमाप केले, तर अल्फाजेनोम 2 अतिरिक्त गुणधर्मांसाठी अंदाज प्रदान करते, जसे की विशिष्ट डीएनए स्ट्रेच किती घट्टपणे पॅकेज केले जातात. हे लॅब्सना पुढे कोणते वेट-लॅब प्रयोग चालवण्यास योग्य आहेत हे ठरवण्यास मदत करते आणि एक महत्त्वाचा आर्किटेक्चरल फायदा म्हणजे अनुकूलनक्षमता: संशोधक फक्त काही डझन पेशींमधून जीन क्रियाकलाप डेटा फीड करू शकतात आणि मॉडेल पूर्वी न पाहिलेल्या सेल स्थितींसाठी प्रभावांची गणना करते — अनेकदा त्या डेटावर थेट प्रशिक्षित केलेल्या विशेष मॉडेल्सवर मात करते, DeepMind च्या मते.
रोगाची यंत्रणा संगणकीय पद्धतीने पुनरुत्पादित केली जाते
प्रयोगशाळेच्या बेंचला स्पर्श न करता मॉडेल काय करू शकते हे दोन प्रात्यक्षिक प्रकरणे दर्शवतात. पूर्णपणे संगणकीय पद्धतीने कार्य करताना, अल्फाजेनोम 2 ने पूर्वी अभ्यासात ओळखल्या गेलेल्या दाहक आतड्यांसंबंधी रोग यंत्रणेचे पुनरुत्पादन केले: त्याने नियामक स्विचमध्ये अचूक DNA प्रकार वेगळे केले जे आतडे मॅक्रोफेजमध्ये निवडकपणे ETS2 अधिक सक्रिय करते, तर इतर पेशींचे प्रकार आणि जनुक मोठ्या प्रमाणात अप्रभावित राहिले.
COVID-19 mRNA लस अभ्यासाच्या डेटावर लागू केलेल्या वेगळ्या चाचणीमध्ये, मॉडेलने लस-सक्रिय T पेशींना विश्रांतीच्या पेशींपासून विश्वासार्हपणे वेगळे केले आणि दर्शविले की गंभीर COVID-19 प्रकरणांशी जोडलेले जनुक प्रकार मुख्यत्वे सक्रिय अवस्थेत पेशींच्या क्रियाकलापांमध्ये व्यत्यय आणते - एक प्रभाव जो विश्रांतीच्या पेशींमध्ये अदृश्य राहिला असता.
उपलब्धता आणि पुढे काय येते
AlphaGenome 2 आता API द्वारे गैर-व्यावसायिक संशोधनासाठी उपलब्ध आहे, तर व्यावसायिक वापरकर्त्यांना बंद पूर्वावलोकनाद्वारे प्रवेश मिळतो. Google DeepMind स्पष्टपणे सांगते की प्रणाली क्लिनिकल डायग्नोस्टिक्ससाठी मंजूर नाही — ते एक संशोधन साधन आहे, वैद्यकीय उपकरण नाही.
डीपमाइंडने आधीच शेकडो सेल आणि टिश्यू परिस्थितींबद्दल अंदाज बांधले आहेत, अंशतः AI-चालित औषध विकासास समर्थन देण्यासाठी, आणि कंपनी म्हणते की ती समर्पित AlphaGenome 2 वैशिष्ट्ये त्याच्या एजंटिक डेव्हलपमेंट प्लॅटफॉर्म Google Antigravity वर रोल आउट करण्याची योजना आखत आहे, जिथे मॉडेल स्वयंचलित संशोधन कार्यासाठी Gemini 4 सारख्या साधनांसह एकत्रित केले जाईल.
रिलीझ जीवशास्त्रासाठी जलद-हीटिंग AI-क्षेत्रात उतरते. डीपमाइंडच्या स्वतःच्या अल्फाफोल्ड वंशाने स्ट्रक्चरल बायोलॉजी रीसेट केले आहे आणि प्रतिस्पर्धी औषध शोधासाठी मोठे मॉडेल लागू करण्यासाठी शर्यत करत आहेत. AlphaGenome 2 मध्ये काय फरक आहे हे रिझोल्यूशन आहे: सेल प्रकारावर कंडिशनिंग करून, ते लोकसंख्या-स्तर सरासरीपासून विशिष्ट सेल्युलर संदर्भामध्ये भिन्न व्याख्या हलवते जिथे रोग प्रत्यक्षात चालतो. बेंचमार्क नफा स्वतंत्र वापरात टिकून राहिल्यास, मॉडेल अनुवांशिक सहवासापासून यांत्रिक समजापर्यंतचा मार्ग लहान करू शकेल - आधुनिक औषध विकासातील सर्वात महाग टप्पा.
एआयच्या पुढे राहाAI औषध शोध, जीनोमिक्स आणि बायोटेकला बहुतेक कव्हरेज ठेवण्यापेक्षा वेगाने बदलत आहे. ब्रेकिंग AI बातम्या, संशोधन विश्लेषण आणि नवीनतम AI घडामोडींसाठी, AI Buzz Wire प्रत्येक महत्त्वाच्या यशाचे अनुसरण करते.
अधिक AI बातम्या वाचा →
