Google представила AlphaGenome 2: модель находит почти вдвое больше значимых вариантов ДНК

Найти изменение в ДНК, связанное с заболеванием, — только начало работы. Дальше исследователю нужно понять, где оно проявляется: в клетках сердца, кожи или иммунной системы. Причём ответ может зависеть от состояния клетки. Если смотреть слишком широко, важный эффект легко пропустить. Для команды, которая разрабатывает препарат, такая неопределённость осложняет выбор следующего эксперимента.

Google DeepMind представила AlphaGenome 2 — модель, которая предсказывает влияние генетических вариантов с учётом типа и состояния клетки. По данным компании, она выявляет почти вдвое больше вариантов, способных менять активность генов, чем её прежняя лучшая модель. Практический смысл здесь — получить более конкретную гипотезу для проверки в лаборатории: какое изменение исследовать, в каких клетках и при каких условиях.

Зачем модели различать клетки

Почти все клетки человека содержат одинаковую ДНК, но используют её по-разному. Клетке сердечной мышцы и клетке иммунной системы нужны разные наборы работающих генов. Даже внутри одного типа клеток картина меняется в зависимости от того, что сейчас происходит с организмом.

Представим, что исследователи нашли генетический вариант, который чаще встречается у людей с определённым заболеванием. Это ещё не объясняет механизм болезни. Возможно, вариант влияет на активность гена только в конкретных иммунных клетках во время инфекции. В других клетках его эффект окажется слабым или незаметным. Это условный пример задачи, для которой нужна такая детализация.

AlphaGenome 2 должна помочь сузить поиск. Вместо общей оценки изменения ДНК исследователь получает предсказание, привязанное к клеточному контексту. Для разработки лекарств это существенно: препарат действует на конкретные биологические мишени, а результат зависит в том числе от того, в каких клетках они работают.

Что дали сто миллионов клеточных профилей

Модель обучили более чем на 100 млн профилей отдельных клеток из 68 тканей. Такие данные позволяют описывать различия, которые теряются при более общем рассмотрении ткани. DeepMind использует клеточные атласы — большие собрания экспериментальных наблюдений — как основу для предсказания последствий изменений ДНК.

По сообщению компании, AlphaGenome 2 также способна делать предсказания для новых типов и состояний клеток без повторного обучения. Это интересная возможность для исследовательских команд: экспериментальные данные покрывают биологию неравномерно, и собрать подробные измерения для каждого случая невозможно.

Ещё одно применение — искать пробелы в имеющихся данных. Если модель помогает определить, каких наблюдений не хватает, команда может точнее выбирать следующие лабораторные исследования. Для продукта вокруг такой системы ценность может заключаться в поддержке планирования экспериментов: какие гипотезы проверить первыми и где нужны дополнительные измерения.

Но заявленное преимущество почти в два раза нельзя читать как универсальную точность модели или обещание ускорить создание лекарства вдвое. В представленном материале речь идёт о количестве выявляемых вариантов, влияющих на активность генов. Подробностей оценки недостаточно, чтобы переносить этот результат на любую исследовательскую задачу.

Что учитывать перед использованием API

Более подробные предсказания обходятся дороже по вычислениям. Поэтому AlphaGenome 2 пока не заменяет первую AlphaGenome во всех сценариях. По словам DeepMind, использовать новую модель для опубликованного ранее атласа всех возможных одиночных замен букв ДНК в человеческом геноме было бы непрактично.

Из этого следует понятный подход к применению: сначала оценивать масштаб задачи, затем решать, где нужна клеточная детализация. Для большого поиска и подробного разбора небольшой группы вариантов могут потребоваться разные инструменты. Конкретную экономику такого процесса придётся проверять на собственных данных: стоимости запросов и производительности в исходном материале нет.

Google объявила доступ к AlphaGenome 2 через AlphaGenome API для некоммерческих исследований. Для коммерческих исследований предусмотрен ограниченный закрытый доступ. Основателю биотехнологического продукта стоит учитывать это уже при планировании интеграции: возможность исследовательского использования сама по себе не означает доступность коммерческого сервиса.

Предсказания также требуют экспериментальной проверки. AlphaGenome 2 помогает связать генетический вариант с возможным клеточным механизмом, но это ещё не доказанная причина болезни и не готовая терапия. Для разработчиков и продактов в биотехе ближайшая задача — проверить, помогает ли эта детализация выбирать более полезные эксперименты.