AlphaGenome 2 يكتشف ما يقارب ضعف عدد المتغيرات السببية في الحمض النووي داخل الخلايا — عبر واجهة API

الجينوم واحد في جميع خلايا الجسم، لكنها تعمل بطرق مختلفة: فالخلية العضلية في القلب والخلية المناعية التي تحارب العدوى تُشغّلان جينات مختلفة. وقد تُعطّل طفرة في الحمض النووي عمل نوع واحد من الخلايا دون أن تظهر في غيره. وكانت النماذج القديمة، التي تتنبأ بتأثير الطفرات اعتمادًا على أنسجة مُتوسَّطة، تفوّت هذه التأثيرات كثيرًا. وقد أطلقت DeepMind نموذج AlphaGenome 2 الذي يحاول حل هذه المشكلة.

ما الذي تغيّر في البنية

كان AlphaGenome الأول يأخذ تسلسلًا من الحمض النووي بطول مليون حرف ويُخرج فورًا آلاف التنبؤات المتوازية لأنسجة وخطوط خلوية مختلفة. وهذا مريح، لكن سعة النموذج كانت تتشتت، وكان يُميّز أنواع الخلايا المتقاربة بشكل ضعيف.

في الإصدار الثاني اختلف النهج. أصبح النموذج شرطيًّا: يتلقى في المدخلات الحمض النووي ووصفًا لحالة بيولوجية — نسيجًا أو نوع خلية أو حالتها. ويُمرَّر هذا الشرط في كل مرحلة من مراحل البنية، فيتعلم النموذج كيف تُقرأ المنطقة نفسها من الحمض النووي بطرق مختلفة في خلايا مختلفة. ويمكن اختيار الشرط من فهرس أو بناؤه من تجربة single-cell خاصة بالمستخدم بواسطة مُرمِّز خلايا مخصص.

جرى التدريب على بيانات من الإنسان والفأر، بما في ذلك أكثر من 107 ملايين ملف تعريف لخلايا مفردة من 68 نسيجًا. وإلى جانب التنبؤات السابقة (التعبير الجيني، تعديلات الهيستونات، إتاحة الكروماتين) أُضيفت مثيلة الحمض النووي — وهي الميزة الأكثر طلبًا.

ماذا أظهرت الأرقام والأمثلة

على مجموعة بيانات TenK10K، وهي خريطة أحادية الخلية لـ 28 نوعًا من الخلايا المناعية، يجد AlphaGenome 2 بشكل صحيح 30% من المتغيرات السببية مقابل 16% للنموذج الأول المُعاد تدريبه على بيانات أحادية الخلية. ويُصيب اتجاه التأثير (هل يُنشَّط الجين أكثر أم أقل) في 43% من الحالات مقابل 23%.

وهناك أمثلة حية أيضًا. فقد أظهرت دراسة حديثة أن متغيرًا في منطقة تنظيمية بعيدة يسبب مرض الأمعاء الالتهابي عبر إعادة تشغيل الجين ETS2 في البلاعم. وأعاد النموذج إنتاج ذلك حسابيًّا: عزل المتغير السببي وأظهر أنه يعزز ETS2 تحديدًا في البلاعم المعوية، بينما لا يمسّ الخلايا الأخرى تقريبًا.

إمكانية أخرى هي العمل مع حالات مجهولة دون إعادة تدريب. يكفي لقطة لنشاط الجينات (scRNA-seq) من بضع عشرات من الخلايا فقط. وعلى بيانات دراسة لقاح كوفيد-19 ميّز النموذج الخلايا التائية المنشَّطة عن الساكنة. كما أظهر أن متغيرًا مرتبطًا بالمسار الشديد لكوفيد-19 يُخلّ بعمل الجينات بشكل أقوى في الحالة المنشَّطة تحديدًا، بينما كان هذا التأثير سيظل غير ملحوظ في الخلايا الساكنة.

وعلى حدة، حسبت DeepMind مسبقًا التنبؤات للمتغيرات التي عُثر عليها في دراسات GWAS (البحث عن روابط بين مناطق الحمض النووي وسمات مثل الطول أو السكري من النوع 2) عبر مئات الظروف. وهذا يساعد على البحث عن المتغير السببي والجين والخلية دون تشغيل حسابات ثقيلة بنفسك.

القيود وما يجب فعله عمليًّا

ثمة تحفظات مهمة. فالنموذج مخصص للأبحاث فقط ولم يُختبر للمهام السريرية والتشخيصية. والمقاييس صادرة عن DeepMind نفسها، ولا يوجد تحقق مستقل حتى الآن. وحتى 30% من المتغيرات السببية المكتشفة تعني أن الجزء الأكبر يبقى خارج الصورة: إنه أداة لترتيب الفرضيات حسب الأولوية، وليس بديلًا عن التجربة.

والخلاصات لمن يعمل في التقنية الحيوية وما حولها:

• إذا كنتم تبنون منصة للبحث عن الأهداف الدوائية أو لتحليل GWAS، فمن المفيد اختبار واجهة API: فهي مفتوحة للأبحاث غير التجارية، وتوجد معاينة مغلقة للمهام التجارية. وقد أُعلنت أولى عمليات الدمج، مثل Genomics Limited مع منصتها Mystra.
• إذا كانت لديكم بيانات single-cell خاصة بكم، فانتبهوا إلى التعلم الشرطي دون إعادة تدريب: فحتى لقطة صغيرة من الخلايا يمكن أن تحدد سياق التنبؤات.
• يستطيع النموذج استكمال القياسات الناقصة، مثل إتاحة الكروماتين انطلاقًا من بيانات التعبير — وهذه طريقة لتحديد التجارب التي ينبغي إجراؤها لاحقًا.

وثمة تفصيل آخر لمن يتابع الأدوات الوكيلية (agentic): من المخطط إطلاق AlphaGenome 2 Skills في Google Antigravity، حيث سيعمل النموذج المتخصص بالتكامل مع Gemini. وهكذا تتحول النماذج العلمية الضيقة تدريجيًّا إلى أدوات يستدعيها وكيل.