AlphaGenome 2 prognozuoja DNR mutacijų poveikį atskiruose ląstelių tipuose

Pranešime apžvelgiamas DeepMind AlphaGenome 2 — modelis, nuspėjantis, kaip vienos raidės mutacija DNR keičia genų aktyvumą priklausomai nuo ląstelės tipo, ko pirmoji versija dar nesugebėjo. Testuose jis 90 % tikslumu nustatė dvigubai daugiau genų aktyvumą veikiančių mutacijų, o Parkinsono ligos tyrime, kuriuo nebuvo treniruotas, teisingai numatė 41 % efektų prieš specializuoto modelio 17 %. Pabrėžiama, kad modelis vis dar prastai veikia su retais ląstelių tipais, tačiau jau nemokamai prieinamas tyrėjams per API, o kodą ir svorius žadama atverti.
Trilijonai mutacijų ir ląstelių tipų derinių laboratorijoje neištiriami, todėl Parkinsono tyrime net netreniruotas AlphaGenome 2 numatė 41 % efektų prieš specializuoto modelio 17 %.
Pilna santrauka
Problema: DNR jungikliai0:00
Žmogaus DNR sudaro maždaug 3 milijardai raidžių, tačiau vien jų perskaitymas nepaaiškina visko apie organizmą. Tarp jų slypi milijonai molekulinių „jungiklių", kurie lemia, kada ir kur genai tampa aktyvūs. Daugelis ligų prasideda būtent tada, kai šie jungikliai suveikia netinkamai.
Ką darė AlphaGenome 10:31
Pirmoji AlphaGenome versija veikė taip: paduodamas DNR fragmentas ir pakeičiama viena raidė, o modelis prognozuoja, ar nieko neįvyks, ar ši maža mutacija įjungs geną, susijusį su sunkiomis ligomis, pavyzdžiui, leukemija, arba paveiks genus, siejamus su pavojingai aukštu cholesteroliu.
Problema ta, kad ta pati mutacija gali turėti visiškai skirtingą poveikį priklausomai nuo to, kurioje ląstelėje ji yra. Smegenyse ir odoje yra ta pati DNR, bet naudojama ji visiškai skirtingai, o AlphaGenome 1 tokių smulkesnių skirtumų nuspėti nepajėgė. Mastas milžiniškas: yra milijardai vienos raidės mutacijų ir šimtai ląstelių tipų, taigi trilijonai galimų derinių, kurių laboratorijoje ištirti neįmanoma.
Mokymo duomenys ir principas2:04
Užduotis gerai tinka šiuolaikiniam AI, nes galima sudaryti įvesties–išvesties poras: įvestis yra DNR fragmentas ir ląstelės tipas (pavyzdžiui, kasos beta ląstelė), o išvestis — kiek aktyvūs genai. Mokslininkai tokius matavimus jau atliko labai dideliame kiekyje ląstelių, todėl mokymo duomenų yra daug. Kyla du klausimai: ar AI pakankamai galingas išmokti šias sąveikas, ir ar jis geba apibendrinti, tai yra veikti su ląstelių tipais, kurių nematė.
Insulino ir tikslumo testai1:33
Buvo tikrintos mutacijos, žinomos kaip sukeliančios pavojingai perteklinę insulino gamybą. AlphaGenome 2 prognozavo, kad šios mutacijos įjungia HK1 geną insuliną gaminančiose beta ląstelėse, bet beveik neturi poveikio kitose kasos ląstelėse.
Viename teste AlphaGenome 2 nustatė dvigubai daugiau mutacijų, žinomai veikiančių genų aktyvumą, esant 90 % tikslumui — iš kiekvienų dešimties modelio pažymėtų mutacijų maždaug devynios iš tiesų veikė genų aktyvumą.
Apibendrinimas: Parkinsono tyrimas3:05
Parkinsono ligos tyrime ankstesnis specializuotas AI teisingai nuspėjo, ar genų aktyvumas kyla, ar krenta, 17 % žinomų genetinių efektų. AlphaGenome 2 su šiuo tyrimu nebuvo treniruotas, tačiau teisingai numatė 41 % — daugiau nei dvigubai, esant tam pačiam aukštam tikslumui. Taigi modelis su visiškai nauja informacija pasirodė geriau nei specializuotas modelis, kuris buvo ja treniruotas.
Ribotumai ir prieinamumas4:38
Autorius pabrėžia, kad modelis toli gražu nėra tobulas: net geriausios prognozės praleidžia daug su ligomis susijusių mutacijų, o su retais ląstelių tipais jis vis dar veikia prastai. Genetinės ligos neišspręstos. Vis dėlto pranešėjas lygina darbą su AlphaFold ir sako nenustebsiąs, jei DeepMind laimėtų dar vieną Nobelio premiją; jis sveikina Demis Hassabis, Pushmeet Kohli ir visą komandą.
Straipsnis yra 78 puslapių. AlphaGenome 2 jau nemokamai prieinamas tyrėjams per API, o DeepMind planuoja išleisti ir kodą bei modelio svorius. Vaizdo įrašo apraše pateikiamas interviu su Pushmeet apie AlphaGenome 1. Pabaigoje — rėmėjo Lambda reklama apie Nvidia GPU nuomą modelių treniravimui, fine-tuning, inferencijai ir chatbot'ų paleidimui.
Originalas: DeepMind Just Released The Best Thing AI Ever Did (Two Minute Papers YouTube kanalas)