Google DeepMind har släppt AlphaGenome 2, en ny AI-modell för genomikforskning som förutsäger hur DNA-varianter påverkar specifika mänskliga celltyper – och hittar nästan dubbelt så många relevanta genförändringar som sin föregångare, enligt bevakningen av The Decoder av företagets tillkännagivande.
Utgåvan tar upp ett av genomics envisa problem: varje cell i människokroppen bär samma DNA-ritning, men en hjärtmuskelcell läser det DNA annorlunda än en immuncell. Att förutsäga dessa cellspecifika skillnader – och att fastställa vilka av de miljontals möjliga DNA-bokstavsförändringar som faktiskt orsakar sjukdom – har förblivit en av fältets största olösta utmaningar. Google DeepMinds tillkännagivande, som täcktes brett på torsdagen, positionerar AlphaGenome 2 som en direkt attack på det problemet, och Sundar Pichai lyfte fram inramningen att "varje cell i vår kropp delar samma DNA-ritning" i lanseringsbevakningen som rapporterats av Benzinga.
Från bulkförutsägelser till celltypsprecision
Den ursprungliga AlphaGenome tog en DNA-sekvens en miljon bokstäver lång och förutspådde dess egenskaper genom tusentals experiment som spänner över många vävnader samtidigt. Enligt Google DeepMind spred det parallella tillvägagångssättet modellens kapacitet för tunt, vilket gör det svårt att fånga subtila skillnader mellan närbesläktade celltyper.
AlphaGenome 2 fungerar annorlunda. Det är en villkorlig modell: vid sidan av DNA-sekvensen tar den ett specifikt biologiskt tillstånd som en extra ingång och beräknar effekter för den ena celltypen. Systemet tränades på mer än 107 miljoner individuella cellprofiler som spänner över 68 vävnader hos människor och möss.
Modellen går längre än att förutsäga hur starkt en gen uttrycks. Den beräknar också hur DNA är fysiskt förpackat inuti kärnan - vilket visar vilka delar av genomet som är tillgängliga - och förutspår nu DNA-metylering, de kemiska taggar som fungerar som molekylära växlar för att tysta eller aktivera gener.
Benchmark-resultat: Ett stort hopp i orsaksvariantdetektering
På TenK10K benchmark dataset som täcker 28 primära immuncellstyper identifierade AlphaGenome 2 cirka 30 procent av orsaksvarianterna och förutspådde korrekt om en variant uppreglerar eller nedreglerar en gen i 43 procent av fallen. En finjusterad version av det ursprungliga AlphaGenome klarade bara 16 procent och 23 procent på samma uppgifter, enligt Google DeepMinds siffror som rapporterats av The Decoder.
Den förbättringen är viktig eftersom genomomfattande associationsstudier (GWAS) endast grovt kan lokalisera sjukdomssignaler inom breda DNA-sträckor. Bättre förutsägelse av kausalvariant talar om för forskare vilka av de många varianterna i en associerad region som faktiskt är värda experimentell uppföljning - skillnaden mellan en ledning och en återvändsgränd.
Modellen kan också sluta sig till saknade data från en enda mätning. Om forskare endast mäter en cells genaktivitet ger AlphaGenome 2 förutsägelser om ytterligare egenskaper, till exempel hur tätt specifika DNA-sträckor packas. Det hjälper laboratorier att avgöra vilka våtlabbexperiment som är värda att köra härnäst, och en viktig arkitektonisk fördel är anpassningsförmåga: forskare kan mata in genaktivitetsdata från bara några dussin celler, och modellen beräknar effekter för tidigare osynliga celltillstånd - ofta slår specialiserade modeller som tränats direkt på dessa data, enligt DeepMind.
Sjukdomsmekanismer återgivna beräkningsmässigt
Två demonstrerade fall visar vad modellen kan göra utan att röra en labbbänk. Genom att arbeta rent beräkningsmässigt, reproducerade AlphaGenome 2 en inflammatorisk tarmsjukdomsmekanism som tidigare identifierats i en studie: den isolerade den exakta DNA-varianten i en regulatorisk switch långt från genen som selektivt överaktiverar ETS2 i tarmmakrofager, medan andra celltyper och gener förblev i stort sett opåverkade.
I ett separat test tillämpat på data från en COVID-19 mRNA-vaccinstudie, skilde modellen på ett tillförlitligt sätt vaccinaktiverade T-celler från vilande och visade att en genvariant kopplad till allvarliga COVID-19-fall stör cellaktiviteten huvudsakligen i aktiverat tillstånd – en effekt som skulle ha förblivit osynlig i vilande celler.
Tillgänglighet och vad som kommer härnäst
AlphaGenome 2 är tillgängligt nu för icke-kommersiell forskning genom ett API, medan kommersiella användare får åtkomst genom en stängd förhandsvisning. Google DeepMind är tydligt att systemet inte är godkänt för klinisk diagnostik – det är ett forskningsverktyg, inte en medicinsk utrustning.
DeepMind har redan beräknat förutsägelser för hundratals cell- och vävnadstillstånd, delvis för att stödja AI-driven läkemedelsutveckling, och företaget säger att de planerar att rulla ut dedikerade AlphaGenome 2-funktioner på sin agentutvecklingsplattform Google Antigravity, där modellen ska kombineras med verktyg som Gemini 4 för automatiserade forskningsarbetsflöden.
Releasen landar i ett snabbt uppvärmande AI-for-biologi-fält. DeepMinds egen AlphaFold-linje återställer den strukturella biologin, och rivaler tävlar om att använda stora modeller för att upptäcka läkemedel. Det som utmärker AlphaGenome 2 är upplösningen: genom att konditionera på celltyp flyttar den varianttolkningen från genomsnitt på populationsnivå till det specifika cellulära sammanhanget där sjukdomen faktiskt verkar. Om benchmarkvinsterna håller i sig i oberoende användning kan modellen förkorta vägen från genetisk association till mekanistisk förståelse - det dyraste steget i modern läkemedelsutveckling.
Stay ahead of AIAI omformar läkemedelsupptäckt, genomik och bioteknik snabbare än de flesta täckning kan hänga med. För senaste AI-nyheter, forskningsanalyser och den senaste AI-utvecklingen följer AI Buzz Wire varje genombrott som betyder något.
Läs mer AI-nyheter →
