Ma bejelentették az AlphaGenome 2-t, egy továbbfejlesztett genomikus gépi tanulási modellt, amely előre jelzi, hogy a DNS-szekvencia és annak egybites változásai miként hatnak különböző emberi sejttípusokban és sejttörésetekben. A modell célja, hogy segítsen a kutatóknak megtalálni azokat a sejtspecifikus génszabályozási hatásokat, amelyek mögött betegségekre ható variánsok állnak.
Miért fontos ez?
Minden testsejt ugyanazt a DNS-t hordozza, mégis a sejttípusok eltérő gének bekapcsolásával végzik speciális feladataikat. A Human Cell Atlas és más erőfeszítések hónapmillió sejtre kiterjedő génexpressziós térképeket hoznak létre, de továbbra is kihívás megjósolni, hogy apró DNA-változások miként módosítják ezeket az expressziós állapotokat — pedig ez kulcsfontosságú a tulajdonságok és betegségek megértéséhez.
Az új modell és a korábbi fejlesztések
Az eredeti AlphaGenome modellt arra fejlesztették, hogy szélesebb szövetátlagokra becsléseket adjon a DNS-variánsok molekuláris hatásairól; az AlphaGenome Atlas pedig előre kiszámított predikciókat tartalmazott a teljes genom egybites változásaira. AlphaGenome 2 ezzel szemben a szöveti átlagokról a sejtspecifikus predikciókra távolít, az architektúra újratervezésével.
Főbb technikai jellemzők
- Feltételes modell: AlphaGenome 2 nem egyszerre több kísérletet jósol párhuzamosan, hanem egy adott "feltétel" (tissue, sejttípus vagy sejttörész) alapján egyenként kondicionálva számol. A DNS-szekvencia mellett a célfeltétel minden rétegbe bevitelre kerül, így a modell megtanulja, hogyan olvassák a sejtek ugyanazt a DNS-szakaszt eltérően.
- Keresztmodális imputáció: a modell különválasztja a sejtre jellemző állapotot és a kimeneteket; ha a kutató egyféle mérést ad meg (például single-cell génaktivitást), a modell képes kiimputálni más, nem mért tulajdonságokat (például kromatin-hozzáférhetőség), ami kísérlettervezést segíthet.
- Tanítóadatok: az AlphaGenome 2-t emberi és egér bulk és single-cell adatokon képezték, több mint 107 millió egyedi sejtfelvételből, 68 szövetre kiterjedően.
- Kimenetek: a korábbi modellhez hasonlóan a génexpressziót, hiszton‑módosításokat és kromatin-hozzáférhetőséget jósolja, kiegészítve a széles körben kért DNS-metilációs readouttal.
Teljesítmény és visszahívás (recall)
AlphaGenome 2 jelentős előrelépést mutat a sejtspecifikus génszabályozás eltalálásában:
- Sejttípus-specifikusság: a modell a tréningadatokon kívüli genomi tartományokon is jobban magyarázza a sejttípusok közötti expressziós különbségeket egy adott szöveten belül, és képes követni a folytonos fejlődési változásokat (például vér őssejtektől a vörösvérsejt- és immunvonalakig).
- Variáns-hatás predikció: a TenK10K adatkészleten, amely 28 primer immunsejttípust tartalmaz nagy single-cell térképen, AlphaGenome 2 közel kétszer annyi oka lehet a génexpressziót megváltoztató variánst azonosított (30% vs. 16%) és több irányított génhatást jelez (43% vs. 23%) az eredeti AlphaGenome finomhangolt változatához és más specializált eszközökhöz képest.
- Betegségre releváns variánsok azonosítása: a modell reprodukálta egy korábbi tanulmány eredményét, amely szerint egy távoli szabályozó variáns IBD-t okoz azáltal, hogy túlaktiválja az ETS2 gént bél-makrofágokban; AlphaGenome 2 számításosan kiválasztotta ugyanazt a kauzális variánst és megmutatta, hogy hatása elsősorban a bél-makrofágokra korlátozódik.
Általánosítás új sejttípusokra és állapotokra
AlphaGenome 2 képes új single-cell kísérleteken működni retraining nélkül: kutatók feltölthetnek egy rövid single-cell RNA‑seq mintát (néhány tucat sejttől), amelyből a modell egy sejttörész reprezentációt képez és ezen állapot alapján kondicionál. A modell gyakran felveszi a versenyt vagy túl is teljesít olyan modelleket, amelyeket kifejezetten az adott adatkészletre tanítottak vagy finomhangoltak.
Ennek gyakorlati jelentősége: a modell predikciókat ad új, betegség- vagy vakcináció által létrehozott sejttörész‑állapotokra. Például egy COVID‑19 mRNS oltás vizsgálatából származó ismeretlen single-cell adatra AlphaGenome 2 képes megkülönböztetni az oltás által aktivált T-sejteket a nyugalmiaktól, és megjósolta, hogy egy súlyos COVID-hoz kötött variáns erősebben zavarja a génaktivitást aktivált állapotban — effektus, amely nyugalmi sejtekben rejtve maradt volna.
Kapcsolódás a GWAS-hoz és enhancer–gén térképezés
AlphaGenome 2 előre kiszámított predikciókat készített különféle, betegségekhez és tulajdonságokhoz kötött variánsokra számos emberi sejttípus és szövet feltételében. Két fontos feladatot segít megoldani:
- Enhancer–gén összekapcsolás primer humán sejttípusokban: sok betegséggel összekapcsolt variáns távoli enhancer‑ekben található, amelyek célgénjének kiderítése kísérleti nehézségekbe ütközik. Mivel a laboratóriumi CRISPR‑screenek gyakran stabil sejtvonalakon alapulnak, hiányozhat a primer emberi sejtekre vonatkozó hálózati kép. AlphaGenome 2 kiterjeszti ezeket a kapcsolásokat olyan primer sejtekre, mint például az agy asztrocitái.
- Kauzális GWAS-variánsok és az őket megvalósító sejttípusok azonosítása: különböző komplex tulajdonságoknál — magasságtól a 2‑es típusú diabétesszel bezárólag — a modell precomputált pontszámai segítenek szűkíteni a valószínű kauzális variánsokat és a releváns sejttípusokat, továbbá előre jelzik, növelik-e vagy csökkentik-e a célgén aktivitását.
Hozzáférés, közösségi együttműködés és jövőbeli tervek
AlphaGenome 2 ma elérhető nem-kereskedelmi kutatási célokra az AlphaGenome API-n keresztül, és kereskedelmi kutatások esetén privát előnézetben. Közeli időben a modellt integrálják AlphaGenome 2 Skills formájában a Google Antigravity ügynök‑fejlesztési platformba, hogy együttműködő, ügynökként működő eszközökkel segítse a kutatást.
A fejlesztők köszönetet mondanak a széles közösségnek és a tesztelőknek; érdekes alkalmazási eseteket szeretnének megismertetni a közösséggel. Projektek bemutatására 30. novemberig várnak jelentkezést (kiválasztott projektek extra kvótára és kreditekre lehetnek jogosultak). A fejlesztők a közösségi visszajelzésekre alapozva alakítanák a jövőbeli útitervet.
Fontos megjegyzés
AlphaGenome és AlphaGenome 2 kizárólag kutatási célokra szánt eszközök; klinikai vagy diagnosztikai jóváhagyással nem rendelkeznek.
Elismerések
A kutatás magjában álló munkát számos kutató végezte, többek között Adam Gayoso, Anne Mottram, Alexander Karollus, Guido Novati, Pavol Drotár, John Reid, Laetitia Meng-Papaxanthos, Adam Kosiorek, Eirini Arvaniti, Vincent Dutordoir, Soham De, Tom Ward, Lai Hong Wong, Matteo Perino, Kyle Taylor, Jun Cheng, Natasha Latysheva, Joshua Pan, Dhavanthi Hariharan, Clare Bycroft, Lauren Nicolaisen, Demis Hassabis, Pushmeet Kohli és Žiga Avsec. További támogatásokért és visszajelzésekért sokan járultak hozzá, az összes név a bejelentésben szerepel.
