Google DeepMind đã công bố AlphaGenome Atlas vào ngày 8 tháng 9, một cơ sở dữ liệu dự đoán tác động của mọi biến thể nucleotide đơn lẻ có thể có trong bộ gen của con người - danh mục toàn diện nhất, công ty cho biết, về cách đột biến gen ảnh hưởng đến sinh học phân tử. Bản phát hành biến mô hình AlphaGenome của DeepMind thành một nguồn tài nguyên có thể tìm kiếm được, được tính toán trước mà các nhà nghiên cứu lâm sàng và nhà sinh học có thể truy vấn mà không cần viết một dòng mã.
Vấn đề 98 phần trăm For more context on this story, see our ongoing latest AI developments.
Bộ gen của con người chứa khoảng 3 tỷ cặp DNA cơ bản và các nhà khoa học chỉ hiểu tương đối rõ 2% mã hóa protein. 98% còn lại – phần lớn là quy định – vẫn chưa rõ ràng. Mô hình AlphaGenome của DeepMind đã chứng minh những thay đổi đơn lẻ trong các vùng không mã hóa này có thể phá vỡ các quá trình phân tử như sản xuất protein như thế nào, nhưng theo công ty, bức tranh lớn hơn về cách các biến thể định hình sinh học phân tử ở quy mô vẫn chưa rõ ràng.
Một biến thể nucleotide đơn là sự thay đổi chính xác một chữ cái trong bảng chữ cái DNA gồm bốn chữ cái. Mỗi người trong chúng ta mang hàng triệu gen và hầu hết không làm gì cả - ngoại trừ một phần nhỏ làm thay đổi cách bật và tắt gen, cách ghép nối RNA hoặc cách tạo ra protein. Phần khó khăn chưa bao giờ là tìm ra những biến thể này; trình tự giá rẻ đã trở thành thói quen từ nhiều năm trước. Phần khó khăn là việc giải thích: đối với phần lớn những thay đổi có thể xảy ra với một chữ cái, chưa từng có thí nghiệm nào được thực hiện, vì vậy các nhà nghiên cứu đã phải dựa vào các mô hình tính toán để đoán kết quả phân tử của chúng.
AlphaGenome Atlas là nỗ lực của DeepMind nhằm cung cấp cách giải thích đó ở một nơi. Nhóm nghiên cứu, dẫn đầu bởi Pushmeet Kohli, Phó Giám đốc Khoa học tại Google DeepMind và Nhà khoa học trưởng tại Google Cloud, cùng với người đứng đầu sáng kiến gen Ziga Avsec, đã sử dụng mô hình AlphaGenome để tính toán trước tác động điều chỉnh của tất cả 9 tỷ thay đổi di truyền một chữ cái — mọi biến thể nucleotide đơn có thể có — tạo ra một tập dữ liệu khoảng 1 petabyte. Thay vì mỗi phòng thí nghiệm chạy lại suy luận quy mô bộ gen trên cụm riêng của mình, các dự đoán hiện tồn tại dưới dạng một danh mục có thể truy vấn được chia sẻ.
Một điểm cho việc ưu tiên các biến thể
Bản thân việc sàng lọc các dự đoán ở quy mô petabyte sẽ là một dự án nghiên cứu, vì vậy Atlas giới thiệu điểm số Tác động biến thể AlphaGenome (AVI). Điểm số duy nhất, dễ sử dụng kết hợp các dự đoán trên cả vùng mã hóa và không mã hóa, cho phép các nhà nghiên cứu nhanh chóng ưu tiên các biến thể hứa hẹn nhất thay vì phải tìm hiểu hàng nghìn điểm dữ liệu riêng lẻ cho từng biến thể. Trong khuôn khổ của DeepMind, Atlas đóng vai trò là “đối tác tăng cường” cho cộng đồng khoa học, đẩy nhanh nghiên cứu trong các lĩnh vực từ các biến thể gen hiếm gặp đến các đặc điểm phức tạp.
Đã giải quyết được các ca bệnh hiếm gặp
Atlas không phải là một nguồn tài nguyên giả định: DeepMind cho biết các nhà nghiên cứu đã sử dụng nó. Tại Viện Broad, Laura Covill và nhóm của cô đã áp dụng điểm AVI để ưu tiên các biến thể trong các trường hợp bệnh hiếm gặp chưa được giải quyết. Công cụ này nêu bật một biến thể quan trọng trong gen DNM1, dự đoán nó tạo ra một vị trí nối không chính xác – bằng chứng giúp nhóm giải quyết thành công vụ việc. Đối với những gia đình đã mất nhiều năm chờ đợi chẩn đoán, đó là kết quả thực tế của việc giải thích biến thể: biến kết quả giải trình tự không rõ ràng thành câu trả lời.
Tài nguyên này cũng đã được chứng minh là hữu ích đối với các đặc điểm phức tạp, trong đó việc xác định các biến thể không mã hóa hiếm gặp là khó khăn do nhiễu thống kê. Tiến sĩ Gareth Hawkes đã áp dụng AlphaGenome Atlas vào dữ liệu từ hơn 54.000 người tham gia Biobank ở Vương quốc Anh. Bằng cách nhóm các biến thể theo tác động phân tử dự đoán của chúng, ông đã phát hiện ra mối liên hệ di truyền không mã hóa nhiều hơn 22% so với phân tích tiêu chuẩn. Tập trung vào 1% các biến thể có tác động lớn nhất, ông đã xác định được 19 vùng di truyền có liên quan đến chỉ số khối cơ thể, từ đó chỉ đạo giai đoạn tiếp theo của nghiên cứu có mục tiêu.
Truy cập miễn phí, không cần mã hóa
AlphaGenome Atlas hiện có sẵn thông qua một cổng web mà DeepMind cho biết không yêu cầu kỹ năng mã hóa - một lựa chọn có chủ ý để dân chủ hóa quyền truy cập cho các nhà nghiên cứu lâm sàng và nhà sinh học không làm việc với các quy trình tính toán quy mô lớn. Kohli và Avsec coi việc phát hành này là một phần trong cam kết liên tục của DeepMind nhằm tăng tốc khám phá bộ gen, viết rằng Atlas cung cấp "những hiểu biết sâu sắc về bộ gen có cơ sở" sẽ tăng tốc độ khám phá sinh học một cách rộng rãi.
Bản phát hành tiếp tục mở rộng các mô hình AI cho khoa học đời sống của DeepMind, trong đó các tài nguyên được tính toán trước làm thay đổi tính kinh tế của nghiên cứu: thay vì mọi phòng thí nghiệm cần chạy suy luận ở quy mô bộ gen, các dự đoán cho tất cả các biến thể có thể được tính toán một lần và chia sẻ. Đối với các nhóm bệnh hiếm gặp, sự khác biệt có thể được đo lường trong các trường hợp đã được giải quyết; đối với di truyền tính trạng phức tạp, về số lượng mối liên hệ mới xuất hiện từ dữ liệu ngân hàng sinh học hiện có.
Nó cũng đặt DeepMind vào cuộc cạnh tranh gián tiếp với lĩnh vực tăng tốc. Các mô hình giải thích bộ gen và các công cụ dự đoán hiệu ứng biến thể đã được nhân rộng trong các phòng thí nghiệm hàn lâm và các công ty khởi nghiệp, và tiện ích của bất kỳ danh mục đơn lẻ nào đều phụ thuộc vào việc áp dụng. Bằng cách cung cấp một cổng thông tin miễn phí với điểm số thống nhất duy nhất, DeepMind đang đặt cược rằng tính dễ sử dụng — không chỉ hiệu suất của mô hình thô — sẽ xác định tài nguyên nào sẽ trở thành một phần của bộ công cụ nghiên cứu lâm sàng tiêu chuẩn.
Đối với những người theo dõi AI, Atlas là một tín hiệu nữa về nơi nghiên cứu AI ứng dụng đang hướng tới - thoát khỏi giao diện trò chuyện và hướng tới cơ sở hạ tầng dành riêng cho miền nhúng trực tiếp các dự đoán mô hình vào quy trình làm việc khoa học.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
