Google DeepMind သည် လူ့ဂျီနိုမ်ရှိ ဖြစ်နိုင်ချေရှိသော nucleotide မျိုးကွဲတိုင်း၏ အကျိုးသက်ရောက်မှုများကို ခန့်မှန်းပေးသည့် ဒေတာဘေ့စ်ဖြစ်သည့် AlphaGenome Atlas ကို စက်တင်ဘာ 8 ရက်နေ့တွင် ကြေညာခဲ့သည် — ကုမ္ပဏီမှ ပြောကြားသည်မှာ မျိုးရိုးဗီဇပြောင်းလဲမှုများသည် မော်လီကျူလာဇီဝဗေဒအပေါ် မည်ကဲ့သို့ အကျိုးသက်ရောက်စေသနည်း။ ထုတ်ဝေမှုသည် DeepMind ၏ AlphaGenome မော်ဒယ်ကို လက်တွေ့သုတေသီများနှင့် ဇီဝဗေဒပညာရှင်များက ကုဒ်မျဉ်းမရေးဘဲ မေးမြန်းနိုင်သော ကြိုတင်တွက်ချက်ထားသော ရှာဖွေနိုင်သော အရင်းအမြစ်တစ်ခုအဖြစ် ပြောင်းလဲပေးပါသည်။

၉၈ ရာခိုင်နှုန်း ပြဿနာ For more context on this story, see our ongoing breaking AI news.

လူ့ဂျီနိုမ်တွင် အခြေခံ DNA အတွဲပေါင်း ၃ ဘီလီယံခန့် ပါ၀င်ပြီး ပရိုတင်းများအတွက် ကုဒ်နံပါတ် ၂ ရာခိုင်နှုန်းကိုသာ သိပ္ပံပညာရှင်များက ကောင်းစွာနားလည်သည်။ ကျန် 98 ရာခိုင်နှုန်း - စည်းမျဉ်းစည်းကမ်းအများစု - မှေးမှိန်နေဆဲဖြစ်သည်။ DeepMind ၏ AlphaGenome မော်ဒယ်သည် အဆိုပါ coding မဟုတ်သော ဒေသများရှိ တစ်ခုတည်းသော ပြောင်းလဲမှုများသည် ပရိုတင်းထုတ်လုပ်မှုကဲ့သို့သော မော်လီကျူးလုပ်ငန်းစဉ်များကို အနှောင့်အယှက်ဖြစ်စေနိုင်ကြောင်း သရုပ်ပြထားပြီးဖြစ်သော်လည်း ကုမ္ပဏီအနေနှင့်မူ မော်လီကျူးဇီဝဗေဒကို အတိုင်းအတာတစ်ခုအထိ ပုံသဏ္ဍာန်ပြောင်းလဲခြင်း၏ ကြီးမားသောပုံသဏ္ဍာန်ကို မရှင်းလင်းနိုင်သေးပါ။

တစ်ခုတည်းသော nucleotide မျိုးကွဲသည် DNA အက္ခရာလေးလုံး၏ အက္ခရာတစ်ခုသို့ အတိအကျ ပြောင်းလဲခြင်းဖြစ်သည်။ ကျွန်ုပ်တို့တစ်ဦးစီသည် ၎င်းတို့ကို သန်းနှင့်ချီ၍သယ်ဆောင်ကြပြီး အများစုမှာ လုံးဝမလုပ်ဆောင်ပါ—သို့သော် ဗီဇအဖွင့်အပိတ်လုပ်နည်း၊ RNA ခွဲပုံ၊ သို့မဟုတ် ပရိုတင်းများတည်ဆောက်ပုံတို့ကို ပြောင်းလဲပေးပါသည်။ ခက်ခဲသောအပိုင်းသည် ဤမျိုးကွဲများကို ဘယ်သောအခါမှ ရှာမတွေ့ခဲ့ပါ။ စျေးပေါသော sequencing သည် ထိုပုံမှန်အတိုင်း လွန်ခဲ့သောနှစ်များက ပြုလုပ်ခဲ့သည်။ ခက်ခဲသောအပိုင်းမှာ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းဖြစ်သည်- ဖြစ်နိုင်ချေရှိသော စာလုံးတစ်လုံးတည်းသော ပြောင်းလဲမှုအများစုအတွက်၊ မည်သည့်စမ်းသပ်မှုမျှ လုပ်ဆောင်ခဲ့ဖူးခြင်းမရှိသောကြောင့် သုတေသီများသည် ၎င်းတို့၏ မော်လီကျူးအကျိုးဆက်များကို ခန့်မှန်းရန် တွက်ချက်မှုပုံစံများကို အားကိုးရမည်ဖြစ်ပါသည်။

AlphaGenome Atlas သည် DeepMind ၏ တစ်နေရာတည်းတွင် ထိုအဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို ထောက်ပံ့ပေးရန် ကြိုးပမ်းမှုဖြစ်သည်။ Pushmeet Kohli ဦးဆောင်သော Google DeepMind မှ သိပ္ပံပညာရှင် VP နှင့် Google Cloud မှ သိပ္ပံပညာရှင်ချုပ် Ziga Avsec တို့က Genomics အစပျိုး ဦးဆောင်သူ Ziga Avsec နှင့်အတူ AlphaGenome မော်ဒယ်ကို အသုံးပြု၍ စာလုံးတစ်လုံးတည်း မျိုးဗီဇပြောင်းလဲမှု 9 ဘီလီယံလုံး၏ စည်းမျဉ်းစည်းကမ်းသက်ရောက်မှုများကို ကြိုတင်တွက်ချက်ရန် — ဖြစ်နိုင်ချေရှိသော nucleotide မျိုးကွဲတိုင်း — ဒေတာအတွဲ 1 ကို ထုတ်လုပ်ပါသည်။ ဓာတ်ခွဲခန်းတိုင်းသည် ၎င်း၏ကိုယ်ပိုင်အစုအဝေးပေါ်ရှိ ဂျီနိုမ်စကေး ကောက်ချက်ချမည့်အစား၊ ခန့်မှန်းချက်များကို မျှဝေ၍ မေးမြန်းနိုင်သော ကတ်တလောက်တစ်ခုအဖြစ် ယခု တည်ရှိနေပြီဖြစ်သည်။

မျိုးကွဲများကို ဦးစားပေးခြင်းအတွက် ရမှတ်တစ်ခု

petabyte-စကေးဖြင့် ခန့်မှန်းချက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းသည် သုတေသနပရောဂျက်တစ်ခုဖြစ်ပြီး၊ ထို့ကြောင့် Atlas သည် AlphaGenome Variant Impact (AVI) ရမှတ်ကို မိတ်ဆက်ပေးသည်။ တစ်ခုတည်းသော၊ အသုံးပြုရလွယ်ကူသောရမှတ်သည် coding နှင့် coding မဟုတ်သော ဒေသနှစ်ခုလုံးရှိ ခန့်မှန်းချက်များကို ပေါင်းစပ်ထားသောကြောင့် သုတေသီများသည် တစ်ခုစီအတွက် ဒေတာအချက်ပေါင်း ထောင်ပေါင်းများစွာကို ကျော်ဖြတ်ခြင်းထက် အလားအလာအကောင်းဆုံးမျိုးကွဲများကို လျင်မြန်စွာဦးစားပေးလုပ်ဆောင်နိုင်စေပါသည်။ DeepMind ၏ဘောင်တွင်၊ Atlas သည် ရှားပါးမျိုးရိုးဗီဇကွဲပြားမှုများမှ ရှုပ်ထွေးသောစရိုက်များအထိ နယ်ပယ်များတွင် သုတေသနလုပ်ငန်းများကို အရှိန်မြှင့်လုပ်ဆောင်ကာ သိပ္ပံပညာအသိုင်းအဝိုင်းအတွက် "တိုးတက်မှုမိတ်ဖက်" အဖြစ် ဆောင်ရွက်သည်။

ရှားရှားပါးပါး ရောဂါဝေဒနာများကို ဖြေရှင်းနေပြီဖြစ်သည်။

Atlas သည် တွေးခေါ်မှုဆိုင်ရာအရင်းအမြစ်မဟုတ်ပါ- DeepMind မှ သုတေသီများက ၎င်းကို အသုံးပြုနေပြီဟု ဆိုသည်။ Broad Institute တွင် Laura Covill နှင့်အဖွဲ့သည် မဖြေရှင်းနိုင်သောရှားပါးရောဂါမျိုးကွဲများကိုဦးစားပေးရန်အတွက် AVI ရမှတ်ကိုအသုံးပြုခဲ့သည်။ ကိရိယာသည် DNM1 ဗီဇရှိ အရေးပါသော မူကွဲတစ်ခုကို မီးမောင်းထိုးပြပြီး ၎င်းသည် မှားယွင်းနေသော ခွဲခြမ်းဆိုက်တစ်ခုကို ဖန်တီးခဲ့သည်—အဖွဲ့ကို အမှုအောင်မြင်စွာဖြေရှင်းနိုင်စေမည့် အထောက်အထားများ ဖန်တီးထားသည်။ ရောဂါရှာဖွေမှုကို နှစ်ပေါင်းများစွာ စောင့်ဆိုင်းနေခဲ့သော မိသားစုများအတွက်၊ ၎င်းသည် ကွဲပြားသော အဓိပ္ပါယ်ဖွင့်ဆိုချက်၏ လက်တွေ့ကျသော ပေးဆပ်မှုဖြစ်သည်- မရှင်းလင်းသော ဆင့်ကဲရလဒ်ကို အဖြေတစ်ခုအဖြစ်သို့ ပြောင်းလဲခြင်းဖြစ်သည်။

စာရင်းအင်းဆိုင်ရာ ဆူညံသံများကြောင့် ရှားပါးသော ကုဒ်မဟုတ်သော မျိုးကွဲများကို ခွဲခြားသတ်မှတ်ရန် ခက်ခဲသော ရှုပ်ထွေးသော စရိုက်လက္ခဏာများအတွက်လည်း အသုံးဝင်ကြောင်း အရင်းအမြစ်က သက်သေပြခဲ့သည်။ ဒေါက်တာ Gareth Hawkes သည် UK Biobank ပါဝင်သူ 54,000 ကျော်ထံမှ ဒေတာသို့ AlphaGenome Atlas ကို အသုံးပြုခဲ့သည်။ ၎င်းတို့၏ ခန့်မှန်းထားသော မော်လီကျူးအကျိုးသက်ရောက်မှုများအရ မျိုးကွဲများကို အုပ်စုခွဲခြင်းဖြင့်၊ စံခွဲခြမ်းစိတ်ဖြာမှုထက် ကုဒ်မဟုတ်သော မျိုးရိုးဗီဇဆိုင်ရာ ဆက်နွှယ်မှု 22 ရာခိုင်နှုန်းကို ဖော်ထုတ်တွေ့ရှိခဲ့သည်။ သက်ရောက်မှုရှိသော မျိုးကွဲများ၏ ထိပ်တန်း 1 ရာခိုင်နှုန်းကို အာရုံစိုက်ကာ ခန္ဓာကိုယ်ထုထည်အညွှန်းကိန်းနှင့် ဆက်စပ်နေသော မျိုးရိုးဗီဇဆိုင်ရာ ဒေသ 19 ခုကို ဖော်ထုတ်ခဲ့ပြီး ပစ်မှတ်ထားသော သုတေသန၏ နောက်အဆင့်ကို ညွှန်ကြားခဲ့သည်။

အခမဲ့ဝင်ရောက်ခွင့်၊ ကုဒ်နံပါတ်မလိုအပ်ပါ။

AlphaGenome Atlas သည် ကြီးမားသော တွက်ချက်မှုဆိုင်ရာ ပိုက်လိုင်းများနှင့် အလုပ်မလုပ်သော ကြီးမားသော တွက်ချက်မှုဆိုင်ရာ ပိုက်လိုင်းများနှင့် အလုပ်မလုပ်သော သိပ္ပံပညာရှင်များနှင့် ဇီဝဗေဒပညာရှင်များအတွက် ဝင်ရောက်အသုံးပြုခွင့်ကို ဒီမိုကရေစီစနစ်ကျစေရန် တမင်တကာ ရွေးချယ်မှုဖြစ်သည့် DeepMind က သုညကုဒ်ကျွမ်းကျင်မှု လိုအပ်သည်ဟု DeepMind မှ ပြောကြားသည့် ဝဘ်ပေါ်တယ်မှတဆင့် ယနေ့ရရှိနိုင်ပါပြီ။ Kohli နှင့် Avsec တို့သည် DeepMind ၏ မျိုးရိုးဗီဇရှာဖွေတွေ့ရှိမှုကို အရှိန်မြှင့်ရန် ကတိကဝတ်ပြုမှု၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် ထုတ်ဝေမှုကို ဘောင်ခတ်ပြီး Atlas သည် ဇီဝဗေဒဆိုင်ရာရှာဖွေတွေ့ရှိမှုကို ကျယ်ပြန့်စွာအရှိန်မြှင့်ပေးမည့် "အခြေခံမျိုးဗီဇဆိုင်ရာ ထိုးထွင်းသိမြင်မှု" ကို ပံ့ပိုးပေးသည်ဟု ရေးသားထားသည်။

ကြိုတင်တွက်ချက်ထားသော အရင်းအမြစ်များသည် သုတေသန၏ စီးပွားရေးကို ပြောင်းလဲစေသည့် DeepMind ၏ သက်ရှိသိပ္ပံအတွက် AI မော်ဒယ်များကို ချဲ့ထွင်ခြင်းအား ဆက်လက်လုပ်ဆောင်နေသည်- ဂျီနိုမ်စကေးအနုမာနကို လုပ်ဆောင်ရန် လိုအပ်သည့် ဓာတ်ခွဲခန်းတိုင်းထက်၊ ဖြစ်နိုင်ခြေအမျိုးကွဲအားလုံးအတွက် ခန့်မှန်းချက်များကို တစ်ကြိမ်တည်း တွက်ချက်ပြီး မျှဝေပါသည်။ ရှားပါးသောရောဂါအဖွဲ့များအတွက်၊ ဖြေရှင်းပြီးသားကိစ္စများတွင် ခြားနားချက်ကို တိုင်းတာနိုင်သည်။ ရှုပ်ထွေးသောမျိုးရိုးဗီဇများအတွက်၊ ရှိပြီးသား biobank ဒေတာမှပေါ်ပေါက်လာသောအသင်းအဖွဲ့အသစ်များအရေအတွက်။

၎င်းသည် အရှိန်အဟုန်ဖြင့် နယ်ပယ်တစ်ခုဖြင့် သွယ်ဝိုက်ပြိုင်ဆိုင်မှုတွင် DeepMind ကို နေရာပေးသည်။ ဂျီနိုမ်ဘာသာပြန်ဆိုမှု မော်ဒယ်များနှင့် ပုံစံကွဲ-အကျိုးသက်ရောက်မှု ကြိုတင်ခန့်မှန်းသူများသည် ပညာရပ်ဆိုင်ရာ ဓာတ်ခွဲခန်းများနှင့် စတင်လုပ်ဆောင်မှုများတွင် များပြားလာကာ တစ်ခုတည်းသောကတ်တလောက်၏ အသုံးဝင်မှုသည် မွေးစားခြင်းအပေါ် မူတည်ပါသည်။ တစ်ခုတည်းသောရမှတ်ဖြင့် အခမဲ့ပေါ်တယ်ကို ပို့ဆောင်ခြင်းဖြင့် DeepMind သည် အသုံးပြုရလွယ်ကူခြင်း—အကြမ်းထည်မော်ဒယ်စွမ်းဆောင်မှုတစ်ခုတည်းမဟုတ်ဘဲ — မည်သည့်အရင်းအမြစ်သည် စံလက်တွေ့သုတေသနကိရိယာအစုံ၏တစ်စိတ်တစ်ပိုင်းဖြစ်လာသည်ကို ဆုံးဖြတ်ပေးပါသည်။

AI စောင့်ကြည့်သူများအတွက် Atlas သည် အသုံးချ AI သုတေသနကို ဦးတည်နေသည်— ချတ်အင်တာဖေ့စ်များနှင့် ဝေးကွာသော မော်ဒယ်ခန့်မှန်းချက်များကို သိပ္ပံနည်းကျလုပ်ငန်းအသွားအလာများတွင် တိုက်ရိုက်ထည့်သွင်းထားသည့် ဒိုမိန်းသီးသန့်အခြေခံအဆောက်အအုံဆီသို့ ဦးတည်သွားသည့် နောက်ထပ်အချက်ပြမှုတစ်ခုဖြစ်သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →