Google DeepMind tillkännagav AlphaGenome Atlas den 8 september, en databas som förutsäger effekterna av varje möjlig nukleotidvariant i det mänskliga genomet - den mest omfattande katalogen, säger företaget, över hur genetiska mutationer påverkar molekylärbiologin. Releasen förvandlar DeepMinds AlphaGenome-modell till en förberäknad, sökbar resurs som kliniska forskare och biologer kan fråga utan att skriva en rad kod.
Problemet med 98 procent For more context on this story, see our ongoing latest AI developments.
Det mänskliga genomet innehåller cirka 3 miljarder baspar DNA, och forskare förstår relativt väl bara de 2 procent som kodar för proteiner. De återstående 98 procenten - mycket av det reglerande - har förblivit grumliga. DeepMinds AlphaGenome-modell har redan visat hur enstaka förändringar i dessa icke-kodande regioner kan störa molekylära processer som proteinproduktion, men enligt företaget förblev den större bilden av hur varianter formar molekylärbiologi i stor skala.
En enstaka nukleotidvariant är en förändring till exakt en bokstav i DNA-alfabetet med fyra bokstäver. Var och en av oss bär på miljontals av dem, och de flesta gör ingenting alls - men en liten del förändrar hur gener slås på och av, hur RNA splitsas eller hur proteiner byggs. Det svåra har aldrig varit att hitta dessa varianter; billig sekvensering gjorde den rutin för flera år sedan. Det svåra är tolkningen: för den överväldigande majoriteten av möjliga enbokstavsändringar har inget experiment någonsin körts, så forskare har varit tvungna att förlita sig på beräkningsmodeller för att gissa deras molekylära konsekvenser.
AlphaGenome Atlas är DeepMinds försök att tillhandahålla den tolkningen på ett ställe. Teamet, ledd av Pushmeet Kohli, VP of Science på Google DeepMind och Chief Scientist på Google Cloud, tillsammans med genomics-initiativet Ziga Avsec, använde AlphaGenome-modellen för att förberäkna den regulatoriska effekten av alla 9 miljarder enbokstavs genetiska förändringar – varje möjlig enskild nukleotidvariant – vilket producerade en datauppsättning på ungefär 1 petabyte. Istället för att varje laboratorium kör om slutledning i genomskala på sitt eget kluster, existerar nu förutsägelserna som en delad, frågebar katalog.
En poäng för att prioritera varianter
Att sålla igenom petabyte-skala förutsägelser skulle i sig vara ett forskningsprojekt, så Atlas introducerar AlphaGenome Variant Impact (AVI) poäng. Den enda, lättanvända poängen kombinerar förutsägelser över både kodande och icke-kodande regioner, vilket gör att forskare snabbt kan prioritera de mest lovande varianterna snarare än att vada genom tusentals individuella datapunkter för var och en. I DeepMinds inramning fungerar Atlas som en "augmentation partner" för det vetenskapliga samfundet, och påskyndar forskningen inom områden från sällsynta genomiska variationer till komplexa egenskaper.
Löser redan fall av sällsynta sjukdomar
Atlasen är inte en hypotetisk resurs: DeepMind säger att forskare redan använder den. På Broad Institute tillämpade Laura Covill och hennes team AVI-poängen för att prioritera varianter i olösta sällsynta sjukdomsfall. Verktyget lyfte fram en kritisk variant i DNM1-genen och förutspådde att den skapade en felaktig skarvplats - bevis som hjälpte teamet att framgångsrikt lösa fallet. För familjer som har tillbringat år i väntan på en diagnos är det den praktiska vinsten av varianttolkning: att förvandla ett tvetydigt sekvenseringsresultat till ett svar.
Resursen har också visat sig användbar för komplexa egenskaper, där det är svårt att identifiera sällsynta icke-kodande varianter på grund av statistiskt brus. Dr. Gareth Hawkes tillämpade AlphaGenome Atlas på data från mer än 54 000 brittiska biobanksdeltagare. Genom att gruppera varianter enligt deras förutspådda molekylära effekter, upptäckte han 22 procent fler icke-kodande genetiska associationer än standardanalys. Med fokus på den översta 1 procenten av effektfulla varianter identifierade han 19 genetiska regioner kopplade till kroppsmassaindex, vilket styrde nästa steg av riktad forskning.
Fri tillgång, ingen kodning krävs
AlphaGenome Atlas är tillgänglig idag via en webbportal som DeepMind säger kräver noll kodningsfärdigheter – ett medvetet val för att demokratisera tillgången för kliniska forskare och biologer som inte arbetar med storskaliga beräkningspipelines. Kohli och Avsec ramar in releasen som en del av DeepMinds pågående engagemang för att påskynda genomisk upptäckt, och skriver att Atlas ger "grundade genomiska insikter" som kommer att påskynda biologisk upptäckt i stort.
Releasen fortsätter DeepMinds expansion av AI-modeller för biovetenskap, där förberäknade resurser förändrar forskningens ekonomi: snarare än att varje labb behöver köra genom-skala slutledning, beräknas förutsägelserna för alla möjliga varianter en gång och delas. För sällsynta sjukdomsteam kan skillnaden mätas i lösta fall; för genetik med komplexa egenskaper, i antalet nya associationer som dykt upp från befintliga biobanksdata.
Det placerar också DeepMind i indirekt konkurrens med ett accelererande fält. Genomtolkningsmodeller och varianteffektprediktorer har multiplicerats över akademiska laboratorier och nystartade företag, och användbarheten av en enskild katalog beror på adoption. Genom att skicka en gratis portal med en enda enhetlig poäng, satsar DeepMind på att användarvänligheten – inte bara råmodellens prestanda – avgör vilken resurs som blir en del av standardverktyget för klinisk forskning.
För AI-bevakare är Atlas ytterligare en signal om vart tillämpad AI-forskning är på väg – bort från chattgränssnitt och mot domänspecifik infrastruktur som bäddar in modellförutsägelser direkt i vetenskapliga arbetsflöden.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
