AlphaGenome 2 من DeepMind يتنبأ بتأثيرات الحمض النووي في الخلايا الفردية: 30% مقابل 16%

في كل خلية من خلايا جسمك يُكتب الجينوم نفسه. لكن خلية عضلة القلب لا تقرؤه إطلاقاً كما تقرؤه خلية من الجهاز المناعي. فقد تكون الطفرة نفسها غير ضارة في نسيج ومدمرة في نسيج آخر. ولم ينجح أحد فعلياً في التنبؤ بذلك مسبقاً، وهنا خطت Google DeepMind خطوة جديدة: أطلقت AlphaGenome 2.

ما الخطأ في النسخة الأولى

كان AlphaGenome الأول يتلقى تسلسل حمض نووي بطول نحو مليون حرف، ويتنبأ في مرور واحد بخصائصه في آلاف التجارب عبر أنسجة كثيرة. وبحسب DeepMind، فإن هذا التوازي كان يشتّت سعة النموذج. فكانت الفروق الدقيقة بين أنواع الخلايا المتقاربة تضيع، مثل تفاصيل صورة مضغوطة أكثر من اللازم.

والتشبيه للمطورين بسيط. تخيّلوا نموذجاً واحداً مطلوباً منه إصدار مقاييس لألف شريحة من المستخدمين في وقت واحد، فيعطي في النهاية لكل شريحة إجابة متوسطة. إنها مشكلة مألوفة، وحلها مألوف أيضاً: إضافة شرط.

كيف يعمل النموذج الشرطي

أصبح AlphaGenome 2 نموذجاً شرطياً (conditional). فإلى جانب تسلسل الحمض النووي يتلقى كمدخل وصفاً للحالة البيولوجية، أي نوع خلية محدداً، ويحسب التأثيرات له وحده. وقد تدرّب على أكثر من 107 ملايين ملف لخلايا فردية من 68 نسيجاً بشرياً وفأرياً.

كما توسّعت المخرجات. يتنبأ النموذج بقوة تعبير الجين وبطريقة تعبئة الحمض النووي داخل النواة، أي أي مناطق الجينوم متاحة. وصار الآن يحسب أيضاً مثيلة الحمض النووي، وهي علامات كيميائية تعمل كمفاتيح تشغّل الجينات أو تكتمها.

ومن الحيل العملية الأخرى أن النموذج يستكمل البيانات الناقصة. فإذا قاس الباحثون نشاط الجينات فقط، فسيتنبأ أيضاً بدرجة تعبئة الحمض النووي. ويساعد ذلك في اختيار التجارب المخبرية التي يستحق إطلاقها أصلاً.

والأهم من الناحية الهندسية أن النموذج يتكيّف مع تجربة جديدة دون إعادة تدريب. يكفي تزويده ببيانات نشاط الجينات من عشرات الخلايا تقريباً ليحسب التأثيرات لحالة لم يرها من قبل. وبحسب DeepMind، فإنه بذلك يتفوق غالباً على نماذج متخصصة دُرّبت على هذه البيانات تحديداً.

ماذا أظهرت الاختبارات

على اختبار TenK10K الذي يضم 28 نوعاً من الخلايا المناعية الأولية، عثر AlphaGenome 2 على نحو 30% من المتغيرات المسببة. وفي 43% من الحالات حدّد بشكل صحيح ما إذا كان المتغير يعزز نشاط الجين أم يضعفه. أما AlphaGenome 1 بعد إعادة التدريب فلم يحقق سوى 16% و23%.

ومثالان آخران. أعاد النموذج بالحساب الصرف إنتاج آلية معروفة لمرض التهاب الأمعاء. فقد عثر على متغير محدد في مفتاح تنظيمي بعيد عن الجين، يفرط في تنشيط ETS2 انتقائياً في البلاعم المعوية، بينما تبقى الخلايا والجينات الأخرى شبه متأثرة. وعلى بيانات دراسة للقاح كوفيد-19 المبني على الحمض النووي الريبي المرسال (mRNA)، ميّز بين الخلايا التائية المنشّطة والخلايا الساكنة، وبيّن أن المتغير المرتبط بالمسار الشديد للمرض يعطّل عمل الخلايا أساساً في الحالة المنشّطة. أما في الخلايا الساكنة فكان هذا التأثير سيظل غير مرئي.

كما حسبت DeepMind مسبقاً تنبؤات لمئات الظروف الخلوية والنسيجية. وهي مفيدة لتحليل دراسات الارتباط على مستوى الجينوم (GWAS). تربط هذه الدراسات مناطق الحمض النووي بسمات مثل الطول أو السكري من النوع 2، لكنها تشير إليها بشكل خشن جداً. ويضيّق AlphaGenome 2 دائرة المتغيرات المسببة المحتملة ويسمّي أنواع الخلايا المتأثرة.

القيود وكيفية التعامل معها

أولاً، نظرة متزنة. الأرقام صادرة عن DeepMind نفسها. فنحو 30% من المتغيرات المسببة التي عُثر عليها يعني أن الجزء الأكبر ما زال يفلت. والنظام غير معتمد للتشخيص السريري.

أما الوصول فهو كالتالي: النموذج متاح للأبحاث غير التجارية عبر واجهة API، بينما يحصل عليه المستخدمون التجاريون عبر معاينة مغلقة. وعلى الشركات الناشئة في التقنية الحيوية أن تتفاوض بشكل منفصل.

والخلاصة العملية لمن يبنون منتجات حول البيانات العلمية. أولاً، نمط «نموذج عام زائد شرط على الحالة» يعمل خارج علم الأحياء أيضاً، ومن المفيد أن تضعوا في الحسبان الانتقال من التنبؤات المتوسطة إلى الشرطية. ثانياً، التكيّف من عشرات الأمثلة دون إعادة تدريب يخفض كثيراً كلفة التجارب. ثالثاً، تنوي DeepMind قريباً إضافة وظائف AlphaGenome 2 إلى منصة Google Antigravity مع Gemini 4 لخطوط أبحاث آلية. وإن كنتم تصنعون أدوات للمختبرات أو لشركات الأدوية، فتابعوا هذا الاتجاه من الآن.