Google DeepMind သည် မျိုးရိုးဗီဇသုတေသနအတွက် AI မော်ဒယ်အသစ်ဖြစ်သည့် DNA မျိုးကွဲများသည် သီးခြားလူသားဆဲလ်အမျိုးအစားများကို မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို ခန့်မှန်းပေးသည့် AlphaGenome 2 ကို ထုတ်ပြန်ခဲ့ပြီး ၎င်းသည် ၎င်း၏ယခင်မျိုးဆက်များထက် သက်ဆိုင်ရာ ဗီဇပြောင်းလဲမှု နှစ်ဆနီးပါးကို တွေ့ရှိခဲ့ကြောင်း ကုမ္ပဏီ၏ The Decoder ၏ ဖော်ပြချက်တွင် ဖော်ပြထားသည်။
ထုတ်ဝေမှုတွင် မျိုးရိုးဗီဇဆိုင်ရာ ခေါင်းမာသောပြဿနာများကို ဖြေရှင်းပေးသည်- လူ့ခန္ဓာကိုယ်ရှိ ဆဲလ်တိုင်းသည် တူညီသော DNA အသေးစိတ်ပုံစံကို သယ်ဆောင်ထားသော်လည်း နှလုံးကြွက်သားဆဲလ်တစ်ခုသည် ခုခံအားကလာပ်စည်းတစ်ခုထက် မတူညီသော DNA ကို ဖတ်သည်။ ထိုဆဲလ်အလိုက် ကွဲပြားမှုများကို ခန့်မှန်းခြင်း — နှင့် သန်းပေါင်းများစွာသော DNA အပြောင်းအလဲများထဲမှ မည်သည့်အရာကို အမှန်တကယ်ဖြစ်စေသည်ဖြစ်စေ ရောဂါဖြစ်စေနိုင်သည်ကို ဖော်ထုတ်ခြင်း—သည် နယ်ပယ်၏အကြီးမားဆုံးမဖြေရှင်းနိုင်သောစိန်ခေါ်မှုများထဲမှတစ်ခုဖြစ်နေဆဲဖြစ်သည်။ ကြာသပတေးနေ့တွင်ကျယ်ကျယ်ပြန့်ပြန့်ဖော်ပြခဲ့သော Google DeepMind ၏ကြေငြာချက်တွင် AlphaGenome 2 ကိုထိုပြဿနာအတွက်တိုက်ရိုက်တိုက်ခိုက်မှုတစ်ခုအဖြစ်သတ်မှတ်ထားပြီး Sundar Pichai သည် Benzinga မှဖော်ပြသောထုတ်ဝေမှုလွှမ်းခြုံမှုတွင် "ကျွန်ုပ်တို့၏ခန္ဓာကိုယ်ရှိဆဲလ်တိုင်းသည်တူညီသော DNA အသေးစိတ်ပုံစံကိုမျှဝေသည်" ဟူသောဘောင်ကိုမီးမောင်းထိုးပြခဲ့သည်။
အစုလိုက်ခန့်မှန်းချက်များမှ ဆဲလ်အမျိုးအစားတိကျမှုအထိ
မူရင်း AlphaGenome သည် စာလုံးပေါင်း တစ်သန်းခန့် ရှည်လျားသော DNA စည်းမျဥ်းကို ယူကာ တစ်ရှူးများစွာကို တစ်ရှုးများစွာကို လွှမ်းခြုံထားသော စမ်းသပ်မှု ထောင်ပေါင်းများစွာတွင် ၎င်း၏ ဂုဏ်သတ္တိများကို တစ်ကြိမ်တည်း ခန့်မှန်းခဲ့သည်။ Google DeepMind ၏အဆိုအရ အဆိုပါအပြိုင်ချဉ်းကပ်မှုသည် မော်ဒယ်၏စွမ်းဆောင်ရည်ကို ပါးလွှာလွန်းသဖြင့် နီးကပ်စွာဆက်စပ်နေသည့်ဆဲလ်အမျိုးအစားများကြားတွင် သိမ်မွေ့သောကွဲပြားမှုများကို ဖမ်းယူရန်ခက်ခဲစေသည်။
AlphaGenome 2 သည် ကွဲပြားစွာ အလုပ်လုပ်ပါသည်။ ၎င်းသည် အခြေအနေအလိုက် မော်ဒယ်တစ်ခုဖြစ်သည်- DNA စည်းမျဥ်းနှင့်အတူ၊ ၎င်းသည် အပိုထည့်သွင်းမှုတစ်ခုအဖြစ် သီးခြားဇီဝအခြေအနေတစ်ခုယူကာ ထိုဆဲလ်အမျိုးအစားတစ်ခုအတွက် အကျိုးသက်ရောက်မှုများကို တွက်ချက်သည်။ အဆိုပါစနစ်သည် လူသားများနှင့် ကြွက်များတွင် တစ်ရှူး ၆၈ ခု ပါဝင်သည့် တစ်ဦးချင်းဆဲလ် ပရိုဖိုင်ပေါင်း ၁၀၇ သန်းကျော်ကို လေ့ကျင့်သင်ကြားပေးခဲ့သည်။
မော်ဒယ်သည် မျိုးရိုးဗီဇ မည်မျှ ပြင်းထန်စွာ ဖော်ပြသည်ကို ခန့်မှန်းခြင်းထက် ကျော်လွန်ပါသည်။ ၎င်းသည် နျူကလိယအတွင်း DNA မည်ကဲ့သို့ ထုပ်ပိုးထားပုံကိုလည်း တွက်ချက်သည် — မည်သည့်ဂျီနိုမ်၏ ဆန့်ထွက်မှုကို ရရှိနိုင်သည်ကို ပြသသည် — ယခုလည်း DNA methylation၊ မော်လီကျူးများကို အသံတိတ်ရန် သို့မဟုတ် မျိုးဗီဇကို သက်ဝင်စေသည့် ဓာတုတံဆိပ်များအဖြစ် လုပ်ဆောင်သည့် DNA methylation ကို ခန့်မှန်းပေးပါသည်။
စံညွှန်းရလဒ်များ- အကြောင်းရင်းကွဲလွဲမှုကို ထောက်လှမ်းခြင်းတွင် ကြီးမားသောခုန်တက်ခြင်း။
ပင်မကိုယ်ခံအားဆဲလ်အမျိုးအစား ၂၈ ခုကို အကျုံးဝင်သည့် TenK10K စံနှုန်းဒေတာအတွဲတွင် AlphaGenome 2 သည် အကြောင်းရင်းခံမျိုးကွဲများ၏ 30 ရာခိုင်နှုန်းခန့်ကို ဖော်ထုတ်ခဲ့ပြီး မျိုးကွဲတစ်ခုသည် ရောဂါဖြစ်ပွားမှု၏ 43 ရာခိုင်နှုန်းတွင် မျိုးရိုးဗီဇကို ထိန်းညှိပေးသည် သို့မဟုတ် လျှော့ချခြင်းရှိမရှိ မှန်ကန်စွာ ခန့်မှန်းခဲ့သည်။ မူရင်း AlphaGenome ၏ ကောင်းမွန်သော ချိန်ညှိထားသော ဗားရှင်းသည် တူညီသော လုပ်ငန်းဆောင်တာများပေါ်တွင် 16 ရာခိုင်နှုန်းနှင့် 23 ရာခိုင်နှုန်းသာ စီမံခန့်ခွဲနိုင်ခဲ့ကြောင်း The Decoder မှ ဖော်ပြသော Google DeepMind ၏ ကိန်းဂဏန်းများအရ သိရသည်။
ဂျီနိုမ်ကျယ်ပြန့်သော ဆက်စပ်လေ့လာမှုများ (GWAS) သည် DNA ၏ ကျယ်ပြန့်သော ပျံ့နှံ့မှုအတွင်း ရောဂါအချက်ပြမှုများကို အကြမ်းဖျင်းရှာဖွေနိုင်သောကြောင့် ယင်းတိုးတက်မှုသည် အရေးကြီးပါသည်။ ဆက်စပ်ဒေသတစ်ခုရှိ မျိုးကွဲများစွာထဲမှ မည်သည့်မျိုးကွဲများသည် အမှန်တကယ် စမ်းသပ်ရန် ထိုက်တန်ကြောင်း သုတေသီများအား ပိုမိုကောင်းမွန်သော အကြောင်းရင်း-မျိုးကွဲ ခန့်မှန်းချက်သည် သုတေသီများအား ပြောပြသည် — ခဲတစ်ခုနှင့် နောက်ဆုံးတစ်ခုကြား ကွာခြားချက်။
မော်ဒယ်သည် တိုင်းတာမှုတစ်ခုမှ ပျောက်ဆုံးနေသော အချက်အလက်များကိုလည်း တွက်ဆနိုင်သည်။ သုတေသီများသည် ဆဲလ်တစ်ခု၏ မျိုးရိုးဗီဇလုပ်ဆောင်မှုကိုသာ တိုင်းတာပါက၊ AlphaGenome 2 သည် အတိအကျ DNA ဖြန့်ကျက်မှု မည်မျှ တင်းကျပ်စွာ ထုပ်ပိုးထားသည်ကဲ့သို့သော ထပ်လောင်းဂုဏ်သတ္တိများအတွက် ခန့်မှန်းချက်များကို ပေးပါသည်။ ၎င်းသည် ဓာတ်ခွဲခန်းများမှ မည်သည့်စိုစွတ်သောဓာတ်ခွဲခန်းစမ်းသပ်မှုများကို နောက်တစ်ကြိမ်လုပ်ဆောင်သင့်သည်ကို ဆုံးဖြတ်ရန် ကူညီပေးပြီး အဓိက ဗိသုကာဆိုင်ရာ အားသာချက်မှာ လိုက်လျောညီထွေရှိမှုဖြစ်သည်- သုတေသီများသည် ဒါဇင်အနည်းငယ်မျှသောဆဲလ်များမှ မျိုးဗီဇဆိုင်ရာ လုပ်ဆောင်ချက်ဒေတာကို ကျွေးမွေးနိုင်ပြီး၊ မော်ဒယ်သည် ယခင်က မမြင်ရသောဆဲလ်အခြေအနေများအတွက် အကျိုးသက်ရောက်မှုများကို တွက်ချက်ပေးသည် — မကြာခဏဆိုသလို ထိုဒေတာအပေါ် တိုက်ရိုက်လေ့ကျင့်ထားသော အထူးပြုမော်ဒယ်များကို အနိုင်ယူနိုင်သည်ဟု DeepMind ကဆိုသည်။
ရောဂါယန္တရားများကို တွက်ချက်၍ ပြန်လည်ထုတ်လုပ်သည်။
ဓာတ်ခွဲခန်းခုံတန်းလျားကို မထိဘဲ မော်ဒယ်က ဘာလုပ်နိုင်လဲဆိုတာကို သရုပ်ပြမှုနှစ်ခု ပြသပါတယ်။ တွက်ချက်မှုသက်သက်ဖြင့်လုပ်ဆောင်ခြင်း AlphaGenome 2 သည် လေ့လာမှုတစ်ခုတွင် ယခင်ကဖော်ထုတ်ခဲ့သော ရောင်ရမ်းသောအူသိမ်အူမရောဂါယန္တရားကို ပြန်လည်ထုတ်လုပ်ခဲ့သည်- ၎င်းသည် အူလမ်းကြောင်း macrophages တွင် ETS2 ကို ရွေးချယ်လုပ်ဆောင်သော မျိုးရိုးဗီဇနှင့်ဝေးကွာသော စည်းမျဉ်းပြောင်းလဲမှုတစ်ခုရှိ DNA မျိုးကွဲအတိအကျကို သီးခြားခွဲထုတ်ထားသည်။
COVID-19 mRNA ကာကွယ်ဆေးလေ့လာမှုမှ ဒေတာကို အသုံးပြုသည့် သီးခြားစမ်းသပ်မှုတစ်ခုတွင်၊ မော်ဒယ်သည် အနားယူနေသူများထံမှ ကာကွယ်ဆေး-အသက်သွင်းထားသော T ဆဲလ်များကို စိတ်ချယုံကြည်စွာ ခွဲခြားထားပြီး ပြင်းထန်သော COVID-19 ကိစ္စရပ်များနှင့် ဆက်စပ်နေသည့် မျိုးကွဲဗီဇတစ်မျိုးသည် အသက်သွင်းပြီးသည့်အခြေအနေတွင် အဓိကအားဖြင့် ဆဲလ်လုပ်ဆောင်ချက်ကို နှောင့်ယှက်သည်—အကျန်ဆဲလ်များတွင် မမြင်နိုင်သော အကျိုးသက်ရောက်မှုကို ပြသခဲ့သည်။
ရရှိနိုင်မှုနှင့် နောက်ဆက်တွဲဖြစ်လာမည့်အရာ
AlphaGenome 2 ကို API မှတဆင့် စီးပွားဖြစ်မဟုတ်သော သုတေသနအတွက် ယခု ရနိုင်သော်လည်း စီးပွားဖြစ်အသုံးပြုသူများသည် အပိတ်အကြိုကြည့်ရှုမှုမှတစ်ဆင့် ဝင်ရောက်ခွင့်ရရှိနိုင်ပါသည်။ Google DeepMind သည် စနစ်အား ဆေးခန်းဆိုင်ရာ ရောဂါရှာဖွေရေးများအတွက် အတည်မပြုကြောင်း - ၎င်းသည် သုတေသနကိရိယာတစ်ခုမဟုတ်ဘဲ ဆေးဘက်ဆိုင်ရာကိရိယာတစ်ခုဖြစ်သည်။
DeepMind သည် ရာနှင့်ချီသော ဆဲလ်များနှင့် တစ်ရှူးအခြေအနေများအတွက် ကြိုတင်တွက်ဆထားပြီး၊ တစ်စိတ်တစ်ပိုင်းအားဖြင့် AI-မောင်းနှင်သော ဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှုကို ပံ့ပိုးပေးရန်အတွက် တစ်စိတ်တစ်ပိုင်းအနေဖြင့် AlphaGenome 2 အင်္ဂါရပ်များကို ၎င်း၏ ကိုယ်စားလှယ်အဖြစ် ဖွံ့ဖြိုးတိုးတက်ရေးပလပ်ဖောင်းတွင် Google Antigravity တွင် ဖြန့်ကျက်ပြီး မော်ဒယ်ကို အလိုအလျောက် သုတေသနလုပ်ငန်းများအတွက် Gemini 4 ကဲ့သို့ ကိရိယာများဖြင့် ပေါင်းစပ်သတ်မှတ်ထားသည်ဟု ဆိုသည်။
ဇီဝဗေဒဆိုင်ရာ AI နယ်ပယ်တွင် အမြန်အပူပေးသည့်နေရာတွင် လွှတ်တင်ထားသည်။ DeepMind ၏ကိုယ်ပိုင် AlphaFold မျိုးရိုးသည် ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ ဇီဝဗေဒကို ပြန်လည်သတ်မှတ်ထားပြီး ပြိုင်ဘက်များသည် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုအတွက် မော်ဒယ်ကြီးများကို အသုံးပြုရန် ပြိုင်ဆိုင်နေကြသည်။ AlphaGenome 2 ကို ကွဲပြားစေသောအရာမှာ ကြည်လင်ပြတ်သားမှုဖြစ်သည်- ဆဲလ်အမျိုးအစားအပေါ် အေးစက်ခြင်းဖြင့်၊ ၎င်းသည် ကွဲပြားသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို လူဦးရေအဆင့် ပျမ်းမျှအဆင့်များမှ ရောဂါ အမှန်တကယ်လည်ပတ်နေသည့် သီးခြားဆဲလ်လူလာအခြေအနေသို့ ရွေ့လျားသည်။ အကယ်၍ စံနှုန်းသည် အမှီအခိုကင်းစွာ အသုံးပြုနိုင်ပါက၊ မော်ဒယ်သည် မျိုးရိုးဗီဇချိတ်ဆက်မှုမှ စက်ယန္တရားနားလည်မှုသို့ လမ်းကြောင်းတိုသွားစေနိုင်သည်— ခေတ်မီဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှုတွင် စျေးအကြီးဆုံးခြေလှမ်းဖြစ်သည်။
AI ၏ရှေ့တွင်နေရန်AI သည် ဆေးဝါးရှာဖွေတွေ့ရှိမှု၊ မျိုးရိုးဗီဇနှင့် ဇီဝနည်းပညာများကို လွှမ်းခြုံထားနိုင်သည်ထက် ပိုမိုမြန်ဆန်စွာ ပြန်လည်ပုံဖော်နေသည်။ AI သတင်းများ၊ သုတေသနခွဲခြမ်းစိတ်ဖြာမှုများနှင့် နောက်ဆုံးပေါ် AI တိုးတက်မှုများအတွက်၊ AI Buzz Wire သည် အရေးကြီးသော အောင်မြင်မှုများအားလုံးကို လိုက်နာသည်။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
