AlphaGenome 2 от DeepMind предсказывает эффекты ДНК для отдельных клеток: 30% против 16%

В каждой клетке вашего тела записан один и тот же геном. Но клетка сердечной мышцы читает его совсем не так, как клетка иммунной системы. Одна и та же мутация может быть безвредной в одной ткани и разрушительной в другой. Предсказать это заранее ни у кого толком не получалось, и именно здесь Google DeepMind сделал новый шаг: выпустил AlphaGenome 2.

Что было не так в первой версии

Первая AlphaGenome принимала последовательность ДНК длиной около миллиона букв и за один проход предсказывала её свойства сразу в тысячах экспериментов по множеству тканей. По словам DeepMind, такая параллельность размазывала ёмкость модели. Тонкие различия между близкими типами клеток терялись, как детали на слишком сжатой картинке.

Аналогия для разработчиков простая. Представьте одну модель, которая должна одновременно выдавать метрики для тысячи сегментов пользователей и в итоге для каждого даёт средний ответ. Хорошо знакомая проблема, и решение тоже знакомое: добавить условие.

Как работает условная модель

AlphaGenome 2 стала conditional-моделью. Помимо последовательности ДНК она получает на вход описание биологического состояния, то есть конкретного типа клетки, и считает эффекты только для него. Обучали её на более чем 107 миллионах профилей отдельных клеток из 68 тканей человека и мыши.

Выходы тоже расширились. Модель предсказывает силу экспрессии гена и то, как ДНК упакована в ядре, то есть какие участки генома доступны. Теперь она ещё считает метилирование ДНК, химические метки, которые работают как переключатели и включают или глушат гены.

Отдельный практичный трюк: модель достраивает недостающие данные. Если исследователи измерили только активность генов, она предскажет и упакованность ДНК. Это помогает выбрать, какие лабораторные эксперименты вообще стоит запускать.

Главное с инженерной точки зрения: модель подстраивается под новый эксперимент без переобучения. Достаточно подать данные об активности генов примерно из нескольких десятков клеток, и она посчитает эффекты для ранее не виденного состояния. По данным DeepMind, так она часто обходит специализированные модели, обученные именно на этих данных.

Что показали тесты

На бенчмарке TenK10K с 28 типами первичных иммунных клеток AlphaGenome 2 нашла около 30% причинных вариантов. В 43% случаев она правильно определила, усиливает вариант активность гена или ослабляет. Дообученная AlphaGenome 1 дала всего 16% и 23%.

Ещё два примера. Модель на чистых вычислениях воспроизвела уже известный механизм воспалительного заболевания кишечника. Она нашла конкретный вариант в регуляторном переключателе далеко от гена, который избирательно перевозбуждает ETS2 в макрофагах кишечника, а остальные клетки и гены почти не затронуты. На данных исследования мРНК-вакцины от COVID-19 она отличила активированные Т-клетки от покоящихся и показала, что вариант, связанный с тяжёлым течением болезни, ломает работу клеток в основном в активированном состоянии. В покоящихся клетках этот эффект остался бы невидимым.

DeepMind также заранее посчитал предсказания для сотен клеточных и тканевых условий. Они полезны для анализа полногеномных ассоциативных исследований (GWAS). Такие работы связывают участки ДНК с признаками вроде роста или диабета 2 типа, но указывают на них очень грубо. AlphaGenome 2 сужает круг вероятных причинных вариантов и называет затронутые типы клеток.

Ограничения и что с этим делать

Сначала трезвый взгляд. Цифры приведены самой DeepMind. Около 30% найденных причинных вариантов означает, что большая часть всё ещё ускользает. Для клинической диагностики система не одобрена.

Доступ устроен так: для некоммерческих исследований модель открыта через API, коммерческие пользователи получают её через закрытое превью. Стартапам в биотехе придётся договариваться отдельно.

Практический вывод для тех, кто строит продукты вокруг научных данных. Во-первых, паттерн «общая модель плюс условие на состояние» работает и за пределами биологии, и переход от усреднённых предсказаний к условным стоит держать в голове. Во-вторых, адаптация по нескольким десяткам примеров без дообучения сильно снижает цену экспериментов. В-третьих, DeepMind собирается скоро добавить функции AlphaGenome 2 на платформу Google Antigravity вместе с Gemini 4 для автоматизированных исследовательских пайплайнов. Если вы делаете инструменты для лабораторий или фармы, следите за этим направлением уже сейчас.