Google DeepMind-მა წარადგინა AlphaGenome Atlas – ხელოვნურ ინტელექტზე დაფუძნებული საძიებო მონაცემთა ბაზა, რომელიც ადამიანის გენომში DNA-ს ერთი ასოს ცვლილების დაახლოებით 9 მილიარდ შესაძლო ვარიანტს მოიცავს. პლატფორმა თითოეული ასეთი ერთნუკლეოტიდიანი ვარიანტის სავარაუდო მოლეკულურ გავლენას აჩვენებს.
ცალკეული გენეტიკური ცვლილებების ლაბორატორიაში გამოცდა პრაქტიკულად შეუძლებელია, რადგან შესაძლო ვარიანტების რაოდენობა მილიარდებს აღწევს. AlphaGenome Atlas მკვლევრებს საშუალებას აძლევს, ეს უზარმაზარი სივრცე წინასწარ გამოთვლილი პროგნოზების დახმარებით შეისწავლონ და შემდგომი კვლევისთვის ყველაზე საყურადღებო ვარიანტები შეარჩიონ.
სარჩევი
რა არის AlphaGenome Atlas და როგორ მუშაობს
Atlas ეფუძნება AlphaGenome-ს – Google DeepMind-ის AI მოდელს, რომელიც პროგნოზირებს, როგორ შეიძლება გენეტიკურმა ვარიანტმა სხვადასხვა ბიოლოგიურ პროცესზე იმოქმედოს. თავდაპირველი მოდელი კონკრეტული ვარიანტების ანალიზისთვის გამოიყენება, ხოლო AlphaGenome Atlas მთელ გენომზე წინასწარ გამოთვლილ შედეგებს ერთ სივრცეში აერთიანებს.
Google DeepMind ატლასს გეოგრაფიული რუკების კრებულს ადარებს. როგორც ჩვეულებრივ ატლასშია ერთმანეთთან დაკავშირებული მდებარეობა, სიმაღლე და სხვა მახასიათებლები, აქ DNA-ს ვარიანტები მათ სავარაუდო მოლეკულურ ეფექტებთან არის დაკავშირებული.
AlphaGenome Atlas დაახლოებით 1 პეტაბაიტის მოცულობის მონაცემთა ბაზაა. კომპანიის ინფორმაციით, ის AlphaFold Database-ზე 30-ჯერ მეტ მონაცემს შეიცავს. მისი შესასწავლად პროგრამირების ცოდნა აუცილებელი არ არის, რადგან შედეგები ინტერაქტიულ ვებპორტალშიც არის წარმოდგენილი.
რა ინფორმაციას აერთიანებს AlphaGenome Atlas
ბაზა მხოლოდ ვარიანტების ჩამონათვალი არ არის. თითოეულ ცვლილებას რამდენიმე ურთიერთდაკავშირებული რესურსი ახლავს, რომლებიც მკვლევრებს ვარიანტის შეფასებასა და მისი შესაძლო მოქმედების მექანიზმის შესწავლაში ეხმარება.
- მოლეკულური ეფექტების პროგნოზები: თითოეული ვარიანტისთვის ხელმისაწვდომია ათასობით პროგნოზი, რომლებიც გენების რეგულაციის სხვადასხვა ასპექტს მოიცავს. მონაცემები ვრცელდება ადამიანისა და თაგვის ასობით უჯრედულ ტიპსა და ქსოვილზე.
- AVI ქულა: AlphaGenome Variant Impact ქულა თითოეული გენეტიკური ვარიანტის სავარაუდო გავლენას ერთი რიცხვით გამოხატავს. ის AlphaGenome-ისა და ცილაზე მოქმედი ცვლილებების პროგნოზირებისთვის შექმნილი AlphaMissense-ის შესაძლებლობებს აერთიანებს.
- AVI-ის განმაპირობებელი ნიშნები: Atlas აჩვენებს, რომელმა ბიოლოგიურმა ფაქტორებმა განაპირობა კონკრეტული ქულა. მათ შორის შეიძლება იყოს გენის ექსპრესია, RNA-ს სპლაისინგი, ქრომატინის ხელმისაწვდომობა ან ცილაზე სავარაუდო გავლენა.
- DNA-ს მოტივები: ბაზა შეიცავს 2 500-ზე მეტ განმეორებად მოკლე DNA თანმიმდევრობას და მათ მდებარეობებს. ეს მოტივები გენომის ერთგვარი სიტყვებია, რომლებიც გენების რეგულაციაში მონაწილეობს.
AVI ქულა მუშაობს როგორც ცილების მაკოდირებელ უბნებზე, რომლებიც გენომის დაახლოებით 2%-ს შეადგენს, ისე დარჩენილ 98%-იან არაკოდირებად ნაწილზე. არაკოდირებადი უბნები გენების აქტივობას არეგულირებს და ადამიანის მახასიათებლებთან დაკავშირებული მრავალი ვარიანტი სწორედ იქ გვხვდება.
Google DeepMind-ის ტესტების მიხედვით, AVI ქულამ გენეტიკური ვარიანტების პათოგენურობისა და იშვიათი დაავადებების რამდენიმე შეფასებაში კლასში საუკეთესო შედეგები აჩვენა. თუმცა ეს კვლავ AI პროგნოზებია, რომელთა მნიშვნელობაც შესაბამისი სამეცნიერო ან ექსპერიმენტული შემოწმებით უნდა დადასტურდეს.
როგორ გამოიყენეს Atlas იშვიათი დაავადების კვლევაში
იშვიათი დაავადებების შესწავლისას ერთ-ერთი მთავარი სირთულე ათასობით კანდიდატიდან იმ რამდენიმე გენეტიკური ვარიანტის პოვნაა, რომელსაც დაავადებასთან რეალური კავშირი შეიძლება ჰქონდეს. GREGoR Consortium-თან თანამშრომლობით მკვლევრებმა AVI ქულა სწორედ ასეთი ვარიანტების პრიორიტეტიზაციისთვის გამოიყენეს.
Broad Institute-ის მეცნიერებმა და მათმა კოლეგებმა გამოავლინეს ადრე გამორჩენილი ვარიანტი, რომელიც DNM1 გენზე მოქმედებს. ეს გენი ეპილეფსიურ ენცეფალოპათიასთან მჭიდროდ არის დაკავშირებული.
AlphaGenome-ის პროგნოზმა აჩვენა, რომ ვარიანტი არასწორ სპლაისინგის უბანს ქმნიდა, რასაც მიღებული ცილის პათოლოგიური დაგრძელება მოჰყვებოდა. ლაბორატორიულმა ექსპერიმენტებმა პროგნოზი დაადასტურა და მსგავსი ეფექტის მქონე ახლომდებარე ვარიანტებიც გამოავლინა.
არაკოდირებადი ვარიანტები და საერთო მახასიათებლები
University of Exeter-ის მკვლევარმა გარეთ ჰოუკსმა AlphaGenome Atlas 54 000-ზე მეტი UK Biobank-ის მონაწილის სრული გენომის მონაცემებზე გამოიყენა. იშვიათი ვარიანტების მათი პროგნოზირებული მოლეკულური ეფექტების მიხედვით დაჯგუფებამ 22%-ით მეტი არაკოდირებადი გენეტიკური ასოციაციის გამოვლენა გახადა შესაძლებელი.
ამ მიდგომით მკვლევარმა გამოყო მარეგულირებელი ვარიანტები, რომლებიც ორგანიზმში მნიშვნელოვანი ცილების რაოდენობასთან იყო დაკავშირებული. მათ შორის იყო დაბერებასთან დაკავშირებული PLA2G7 და უჯრედული ჟანგბადის სენსორი EGLN1.
ჰოუკსმა Atlas ასევე გამოიყენა სხეულის მასის ინდექსთან შესაძლო კავშირების შესასწავლად. ასობით მილიონი არაკოდირებადი ვარიანტიდან ყველაზე მაღალი სავარაუდო გავლენის მქონე 1%-ზე ფოკუსირებით მან 19 გენეტიკური რეგიონი გამოავლინა, რომლებიც შემდგომი მიზნობრივი კვლევის მიმართულებების განსაზღვრაში შეიძლება დაეხმაროს მეცნიერებს.
გენომის მარეგულირებელი სიტყვების მოძიება
AlphaGenome Atlas შეიძლება გენომში განმეორებადი მოკლე თანმიმდევრობების შესასწავლადაც გამოიყენონ. ასეთი მოტივები მეცნიერებს ეხმარება დაადგინონ, სად უკავშირდება DNA-ს ტრანსკრიფციის ფაქტორები – ცილები, რომლებიც გენების ჩართვასა და გამორთვაში მონაწილეობს.
Stowers Institute for Medical Research-ის მკვლევრებმა ეს რესურსი ტრანსკრიფციის ფაქტორების დასაჯგუფებლად გამოიყენეს. მათ შეისწავლეს, რომელი ფაქტორები მოქმედებს მხოლოდ DNA-ს ხელმისაწვდომობაზე და რომელ მათგანს შეუძლია გენების აქტივობის უშუალოდ გაზრდა ან შემცირება.
ვისთვის და როგორ არის AlphaGenome Atlas ხელმისაწვდომი
AlphaGenome Atlas-ის ვებპორტალი აკადემიური და სხვა არაკომერციული კვლევისთვის უფასოდ არის ხელმისაწვდომი. მონაცემებზე პროგრამული წვდომა შესაძლებელია AlphaGenome API-ის საშუალებითაც.
Atlas ხელმისაწვდომია სპეციალური უნარის სახით Google Antigravity-შიც, სადაც მისი მონაცემები უფრო ფართო სამეცნიერო სამუშაო პროცესებში შეიძლება ჩაერთოს. Google DeepMind-ის განცხადებით, AlphaGenome Atlas-ის კომერციული გამოყენების მხარდაჭერა მომავალში Google Cloud-ზეც დაემატება, ხოლო AlphaGenome-ის საბაზო მოდელი კომერციული გამოყენებისთვის იქ უკვე ხელმისაწვდომია.
რას ნიშნავს ეს გენომიკის კვლევისთვის
AlphaGenome Atlas-ის მთავარი დანიშნულება მილიარდობით შესაძლო DNA ვარიანტში ძიების სივრცის შემცირებაა. ის მკვლევრებს ეხმარება შეარჩიონ სავარაუდოდ მნიშვნელოვანი ცვლილებები, შეისწავლონ მათი შესაძლო მოლეკულური მექანიზმები და უფრო მიზნობრივად დაგეგმონ ექსპერიმენტები.
პლატფორმის პროგნოზები განკუთვნილია თეორიული მოდელირებისა და კვლევისთვის. ისინი არ უნდა გამოიყენონ კლინიკური გადაწყვეტილებების მისაღებად ან სამედიცინო რჩევის შემცვლელად. საბოლოო დასკვნებისთვის AI-ის მიერ გამოყოფილი ვარიანტები დამოუკიდებელ კვლევასა და ექსპერიმენტულ დადასტურებას საჭიროებს.
სხვა თემები
ჯეფ დინი Google-ს ტოვებს, ჰასაბისი ახალ პოზიციაზე გადადის
Pacing the Frontier: AI-ს შემქმნელების წერილი
Google-მ Gemma 4 12B წარადგინა – რას მოიცავს მოდელი