غوغل تكشف عن AlphaGenome 2: النموذج يجد ما يقارب ضعف عدد المتغيرات الجينية المؤثرة في الحمض النووي

العثور على تغيّر في الحمض النووي مرتبط بمرض ما ليس سوى بداية العمل. بعد ذلك على الباحث أن يفهم أين يظهر هذا التغيّر: في خلايا القلب أم الجلد أم الجهاز المناعي. وقد يتوقف الجواب على حالة الخلية. وإذا نُظر إلى الأمر بشكل واسع أكثر من اللازم، فمن السهل تفويت تأثير مهم. وبالنسبة إلى فريق يطوّر دواءً، فإن هذا الغموض يعقّد اختيار التجربة التالية.

قدّمت Google DeepMind نموذج AlphaGenome 2، وهو نموذج يتنبأ بتأثير المتغيرات الجينية مع مراعاة نوع الخلية وحالتها. ووفق الشركة، فإنه يكشف ما يقارب ضعف عدد المتغيرات القادرة على تغيير نشاط الجينات مقارنةً بأفضل نموذج سابق لها. والمعنى العملي هنا هو الحصول على فرضية أكثر تحديدًا للتحقق منها في المختبر: أي تغيّر ينبغي دراسته، وفي أي خلايا، وتحت أي ظروف.

لماذا يجب أن يميّز النموذج بين الخلايا

تحتوي جميع خلايا الإنسان تقريبًا على الحمض النووي نفسه، لكنها تستخدمه بطرق مختلفة. فخلية عضلة القلب وخلية الجهاز المناعي تحتاجان إلى مجموعات مختلفة من الجينات العاملة. وحتى داخل النوع الخلوي الواحد تتغير الصورة بحسب ما يحدث للجسم في تلك اللحظة.

لنفترض أن باحثين عثروا على متغير جيني يكثر لدى المصابين بمرض معين. هذا لا يفسّر بعد آلية المرض. فقد يؤثر المتغير في نشاط جين ما فقط في خلايا مناعية محددة أثناء العدوى، بينما يكون تأثيره في خلايا أخرى ضعيفًا أو غير ملحوظ. هذا مثال افتراضي لمسألة تتطلب مثل هذا القدر من التفصيل.

يُفترض أن يساعد AlphaGenome 2 على تضييق نطاق البحث. فبدلًا من تقييم عام للتغيّر في الحمض النووي، يحصل الباحث على تنبؤ مرتبط بالسياق الخلوي. وهذا مهم لتطوير الأدوية: فالدواء يؤثر في أهداف بيولوجية محددة، وتعتمد النتيجة، ضمن عوامل أخرى، على الخلايا التي تعمل فيها هذه الأهداف.

ماذا أتاحت مئة مليون ملف خلوي

تم تدريب النموذج على أكثر من 100 مليون ملف تعريفي لخلايا منفردة من 68 نسيجًا. تتيح هذه البيانات وصف فروق تضيع عند النظر إلى النسيج بشكل أعمّ. وتستخدم DeepMind الأطالس الخلوية، أي المجموعات الكبيرة من الملاحظات التجريبية، أساسًا للتنبؤ بعواقب التغيرات في الحمض النووي.

وبحسب الشركة، يستطيع AlphaGenome 2 أيضًا إجراء تنبؤات لأنواع وحالات خلوية جديدة دون إعادة تدريب. وهذه إمكانية مثيرة للاهتمام لفرق البحث: فالبيانات التجريبية تغطي علم الأحياء بشكل غير متكافئ، ومن المستحيل جمع قياسات مفصلة لكل حالة.

وهناك استخدام آخر هو البحث عن الثغرات في البيانات المتوفرة. فإذا ساعد النموذج في تحديد الملاحظات الناقصة، يمكن للفريق اختيار الدراسات المخبرية التالية بدقة أكبر. وبالنسبة إلى منتج مبني حول نظام كهذا، قد تكمن القيمة في دعم تخطيط التجارب: أي الفرضيات تُختبر أولًا وأين تلزم قياسات إضافية.

لكن التفوق المعلن بنحو الضعف لا ينبغي قراءته على أنه دقة شاملة للنموذج أو وعد بتسريع تطوير الدواء مرتين. فالمادة المعروضة تتحدث عن عدد المتغيرات المكتشفة التي تؤثر في نشاط الجينات. وتفاصيل التقييم غير كافية لتعميم هذه النتيجة على أي مهمة بحثية.

ما ينبغي مراعاته قبل استخدام الواجهة البرمجية

التنبؤات الأكثر تفصيلًا أعلى كلفة من حيث الحوسبة. لذلك لا يحلّ AlphaGenome 2 حتى الآن محل AlphaGenome الأول في جميع السيناريوهات. وبحسب DeepMind، سيكون استخدام النموذج الجديد للأطلس المنشور سابقًا لجميع الاستبدالات المحتملة لحرف واحد من الحمض النووي في الجينوم البشري غير عملي.

ومن ذلك ينتج نهج واضح للاستخدام: أولًا تقدير حجم المهمة، ثم تحديد أين تلزم التفاصيل الخلوية. فقد يتطلب البحث الواسع والتحليل المعمّق لمجموعة صغيرة من المتغيرات أدوات مختلفة. أما اقتصاديات هذه العملية فيجب التحقق منها على بياناتكم الخاصة: إذ لا تتضمن المادة الأصلية تكلفة الطلبات ولا بيانات الأداء.

أعلنت غوغل إتاحة AlphaGenome 2 عبر AlphaGenome API للأبحاث غير التجارية. وللأبحاث التجارية يُتاح وصول مغلق ومحدود. وعلى مؤسس منتج في التقنية الحيوية أن يأخذ ذلك في الحسبان منذ تخطيط التكامل: فإمكانية الاستخدام البحثي لا تعني بحد ذاتها توفر خدمة تجارية.

كما تحتاج التنبؤات إلى تحقق تجريبي. فـ AlphaGenome 2 يساعد في ربط المتغير الجيني بآلية خلوية محتملة، لكن هذا ليس سببًا مثبتًا للمرض ولا علاجًا جاهزًا. وبالنسبة إلى المطورين ومديري المنتجات في التقنية الحيوية، فإن المهمة القريبة هي التحقق مما إذا كان هذا التفصيل يساعد في اختيار تجارب أكثر فائدة.