AlphaGenome 2 skaito nekoduojančią DNR atskirų ląstelių tipų lygiu

Google DeepMind podcast'e Žiga Avsec ir Adam Gayoso pasakoja apie AlphaGenome — modelį, kuris skaito DNR seką ir prognozuoja, kas vyksta ląstelėje toje genomo vietoje bei kaip tai pasikeistų pakeitus vieną raidę. 2025 m. pristatytas AlphaGenome vertino nekoduojančios DNR funkciją audinių lygiu, o AlphaGenome 2 nusileidžia iki atskirų ląstelių tipų, siekiant tiksliau nustatyti ligas sukeliančias mutacijas. Pašnekovai pabrėžia, kad dėmesys sutelktas į molekulinio lygio fenotipus, nes ryšys tarp genotipo ir aukšto lygio ligų yra pernelyg sudėtingas.
Pilna santrauka
Įžanga: genomas ir AlphaGenome0:00
Podcast'o įžangoje primenama, kad žmogaus genomo sekoskaita truko 13 metų, o rezultatas – teksto eilutė, daug šimtų kartų ilgesnė už visus Šekspyro raštus. Cituojama genetiko Erico Landerio mintis, kad „knyga nupirkta, bet ją sunku perskaityti". Primenama ankstesnė laida apie Google DeepMind transformer modelį, prognozuojantį DNR sekų poveikį, ir nurodoma, kad 2025 m. pristatytas AlphaGenome prognozavo nekoduojančios DNR funkciją ištisuose audiniuose, o AlphaGenome 2 priartina vaizdą iki atskirų ląstelių tipų. Svečiai – Žiga Avsec ir Adam Gayoso.
Paaiškinama, ką AlphaGenome daro: jis perskaito DNR atkarpą (ląstelės „instrukcijų vadovą") ir pasako, kas vyksta ląstelės viduje toje genomo vietoje, taip pat kas pasikeistų pakeitus vieną raidę, pavyzdžiui, A į T. Tai įrankis sekoms ir variantams tirti molekuliniu lygmeniu.
Svečių kelias į genomiką1:56
Žiga pasakoja asmeninę motyvaciją: studijavo fiziką, bet suprato, kad tai ne jo pašaukimas, užkliuvo už mašininio mokymosi kurso, kurį dėstė du genomikos tyrėjai. Pirmasis jo projektas buvo variantų nustatymas retomis ligomis sergantiems pacientams, ir nežinojimas, ką mutacijos daro, liko su juo per visus metus. Adamas yra iš informatikos ir operacijų tyrimo srities, į šią sritį atėjo per šeimos ligos (vėžio) patirtį; prieš maždaug 12 metų per Google paiešką „mašininis mokymasis biologija" atrado vienos ląstelės genomiką ir perėjo į skaičiuojamąją biologiją.
Genotipas, fenotipas ir ligų tipai4:15
Aiškinama genotipo ir fenotipo sąvokos: genotipas – tai A, C, G, T raidžių rinkinys, žmogaus genomas yra trijų milijardų ilgio. Fenotipas biologijoje yra pernelyg plačiai vartojamas žodis – tai gali būti plaukų spalva, bet komanda galvoja apie fenotipus ląstelės lygmeniu, pavyzdžiui, kaip genai keičia raišką skirtinguose ląstelių tipuose. Pašnekovai pabrėžia, kad atstumas tarp genotipo ir aukšto lygio fenotipų (pavyzdžiui, Alzheimerio ar antro tipo diabeto) yra labai ilgas ir sudėtingas, todėl problema supaprastinama sutelkiant dėmesį į molekulinę biologiją, kur procesai paprastesni ir yra kur kas daugiau duomenų.
Aptariama ligų klasifikacija: Mendelio ligos, kur variantas veikia geną, o genas tiesiogiai sukelia ligą, ir kompleksinės ligos, kurias lemia genetinis rizikos profilis kartu su aplinkos veiksniais; čia ne vienas variantas – viena liga, gali dalyvauti daug genų. Minimi BRCA1 ir MC1R pavyzdžiai.
Koduojanti ir nekoduojanti DNR6:21
Paaiškinama genomo sandara: apie 2 % genomo koduoja baltymus – ląstelės statybinius blokus, kuriuos Žiga lygina su Lego kaladėlėmis (koduojama jų forma ir spalva). Likę 98 % nurodo ląstelėms, kiek tų blokų gaminti, kada ir kur. Visi prasidedame nuo vienos ląstelės su vienu instrukcijų vadovu iš mamos ir vienu iš tėčio; visos ląstelės turi tą pačią genetinę medžiagą, bet specializuojasi – akies ląstelės turi aptikti šviesą, raumenys atlikti judesį.
Skirtingi ląstelių tipai naudoja nekoduojančio genomo valdymo elementus skirtingais deriniais ir taip tiksliai sureguliuoja raiškos lygius; tai apibūdinama kaip labai sudėtingas įjungimo–išjungimo jungiklis. Tokia DNR anksčiau buvo vadinama „šiukšline".
Nuo Enformer iki AlphaGenome Atlas8:25
Apžvelgiama modelių raida. Enformer buvo pirmasis projektas kartu su Calico, kuriantis modelius, skaitančius DNR seką. Tada atsirado AlphaFold 2 ir dėmesys laikinai grįžo prie koduojančio genomo. Žiga pasakoja klausęs Johno Jumperio, kaip gerai AlphaFold 2 prognozuoja mutacijų poveikį; atsakymas buvo – nelabai gerai, nes modelis sukurtas būti atsparus mutacijoms ir beveik visada prognozuoja tą pačią struktūrą.
Vis dėlto modelio viduje esanti informacija apie struktūras ir sekų evoliuciją pasirodė naudinga, todėl buvo sukurtas AlphaMissense – AlphaFold kaip bazinis modelis, pritaikytas (fine-tune) prognozuoti, kurios mutacijos potencialiai patogeninės ar žalingos, o kurios gerybinės. Tačiau tai apima tik 2 % genomo.
Toliau komanda grįžo prie nekoduojančios dalies ir sukūrė AlphaGenome – kitą Enformer iteraciją, kurioje sekos ilgis išplėstas nuo 200 000 iki milijono bazių, o skiriamoji geba padidinta nuo 128 bazių porų iki vienos bazių poros, taip išnaudojant daugiau informacijos duomenyse. Kadangi modelio paleidimas reikalauja nemažai skaičiavimo resursų, buvo sukurtas AlphaGenome Atlas – iš anksto apskaičiuotas kiekvieno įmanomo vienos raidės pakeitimo žmogaus genome poveikis, iš viso 9 milijardai pakeitimų, pateiktų kaip svetainė.
Apie 10 000 AlphaGenome pateikiamų skaičių kartu su AlphaMissense balu ir evoliuciniu konservatyvumu suspausti į vieną AVI balą (AlphaGenome variantų poveikio balą), leidžiantį reitinguoti mutacijas ir rasti „adatą šieno kupetoje".
Treniravimo duomenys ir AVI balas12:22
Paaiškinama, iš kur imami duomenys: naudojami vieši duomenys, per daugiau nei 15 metų surinkti universitetuose ir laboratorijose, kuriais matuojama, kaip stipriai raiškiami genai, kiek atviri DNR regionai ir pan. Modelis treniruojamas ne pagal individų genomus, o pagal referencinį genomą – įdomu tai, kad prognozės apie variantus daromos treniruojant tik pagal vieną fiksuotą genomą: skirtingos modalybės (genų raiška, transkripcijos faktorių prisijungimas) suderinamos su referenciniu genomu. Pateikiama istorinė perspektyva: po 2003 m.
genomo sekoskaitos paaiškėjo, kiek daug nesuprantama, ir atsirado ENCODE – DNR elementų enciklopedijos projektas, daug investavęs į technologijas, leidžiančias DNR sekoskaita matuoti molekulinius procesus.
AVI balas yra skaičius nuo nulio iki maždaug 80: kuo didesnis, tuo labiau tikėtina, kad variantas kažką daro ląstelėse. Genetikas, turintis įtariamų variantų sąrašą, gali juos surūšiuoti ir daugiau energijos skirti aukščiausiai įvertintiems; nulis reiškia, kad jaudintis neverta. Balas mokytas taip: visi rodikliai suvesti į kitą modelį, prognozuojantį, kurie variantai dažni žmonių populiacijoje, o kurių joje nėra – dažni paprastai nekenksmingi, o nematyti gali būti arba dėl per mažos populiacijos imties, arba dėl to, kad jie žalingi. Signalas pripažįstamas triukšmingu, bet pakankamu krypčiai nurodyti; modeliai dar netobuli.
Be balo, Atlas parodo ir kodėl taip yra molekuliniu lygmeniu, pavyzdžiui, dėl padidėjusios raiškos tam tikruose ląstelių tipuose. Pabrėžiama, kad tai ne klinikinis, o mokslinių tyrimų įrankis variantams prioritetizuoti ir interpretuoti – tik viena dalis didelio tyrimo proceso, savotiškas užuominų ieškojimas.
Retos epilepsijos atvejis ir diagnozės nauda17:45
Pateikiamas konkretus pavyzdys: kuriant AlphaGenome Atlas ankstyva prieiga suteikta Broad institute tyrėjams, ypač Laurai Kovville, dirbančiai su sunkiais retų ligų atvejais. Vienu atveju pacientė buvo kūdikis su reta epilepsijos forma, diagnozuota sulaukus 6 savaičių; priežastis nebuvo nustatyta ketverius ar penkerius metus, nors buvo žinoma, kad liga genetinė. Pritaikius AVI balą, aukščiausiai įvertintas variantas pasirodė prasmingas – jis veikia baltymą, kurio funkcija susijusi su priepuoliais ir epilepsija, ir atitiko ankstesnės literatūros pranešimus.
Kadangi tai buvo splaisingo variantas, patvirtinimas atliktas sukonstruojant mažą geną ląstelių linijoje, įterpiant mutacijas ir stebint, ar keičiasi kirpimo modeliai; atvejis buvo išspręstas.
Aptariama, kuo naudinga molekulinė diagnozė: žinant pagrindinę priežastį didesni šansai rasti tinkamą gydymą, be to, kuriami nauji genetiniai vaistai – antisensiniai oligonukleotidai, trumpi RNR gabalėliai, galintys pakeisti RNR apdorojimą, taip pat genomo redagavimas. Pripažįstama, kad kelias iki vaisto vis tiek labai ilgas ir šansai maži. Antra nauda – šeimos planavimas: ar tėvai turėjo tą pačią mutaciją, kokia rizika antram vaikui, ar kiti šeimos nariai turi polinkį.
GWAS ribotumai ir priežastiniai variantai21:26
Toliau kalbama apie viso genomo asociacijų tyrimus (GWAS): sekvenuojama daug žmonių DNR, skirtumai siejami su požymiu. Kaip vieną mėgstamiausių nišinių požymių Adamas mini tai, ar kalendra skonio kaip muilas (nei jis, nei kitas pašnekovas tokio pojūčio neturi), taip pat rimtus požymius – uždegiminės žarnyno ligos riziką, vėžio rūšis. Pabrėžiama, kad GWAS duoda tik asociacijas, o modeliavimu siekiama suprasti, kuris variantas ką daro molekuliniu lygmeniu ir kuris yra priežastinis.
Aptariama sankibos pusiausvyra (linkage disequilibrium) – DNR paveldima gabalais, todėl pokytis gali atrodyti svarbus vien dėl koreliacijos su tikruoju priežastiniu variantu. GWAS paprastai taikomas dažnai variacijai, riba brėžiama ties maždaug 1 % dažniu populiacijoje, todėl retoms ligoms jis mažai tinka – trūksta tiek sergančiųjų, tiek pačių variantų dažnio.
Paaiškinama, kaip AlphaGenome suteikia detalesnį vaizdą: mutacijos įkeliamos į modelį, fiksuojami prognozuojami pokyčiai molekulinėse savybėse, tai daroma sistemingai ir dideliu mastu – atlase su daugiau nei 9 milijardais variantų, iki vienos raidės. Svarbus ir biologinis kontekstas: tai gali būti ląstelės tipas arba ląstelės tipas tam tikroje būsenoje, pavyzdžiui, imuninė ląstelė uždegiminėje būsenoje, o ne tiesiog plati „širdis". Žiga išskiria tris klausimus analizuojant GWAS: kuris iš, tarkime, 10–20 su Alzheimerio rizika susijusių variantų yra tikrasis priežastinis; koks genas yra jų taikinys; ir kokiame ląstelės tipe variantas veikia.
AlphaGenome 2: ląstelių tipų lygmuo25:33
Būtent tai veda prie AlphaGenome 2. Ankstesni šios klasės modeliai darė prognozes „bulk" lygmeniu – imamas audinys, ląstelės tarsi sumalamos, prognozuojama apie širdį ar plautį. AlphaGenome 2 siekia pajėgumo ląstelės tipo lygmeniu, remiantis per pastaruosius 10 metų sugeneruotais duomenimis, ypač Human Cell Atlas iniciatyva. Pavyzdžiui, kraujyje yra daug ląstelių tipų, kilusių iš kamieninės ląstelės; variantai skirtinguose ląstelių tipuose ir net skirtingais vystymosi momentais gali veikti skirtingai.
Kaip pavyzdys straipsnyje nagrinėjami makrofagai – pavadinimas reiškia „didysis ėdikas"; jie ryja patogenus, žarnyne tai ypač svarbu. Buvo tirtas lokusas su keliais variantais, siejamais su ligomis, tarp jų uždegimine žarnyno liga; sunkumas tas, kad šalia nėra genų – variantai yra tarsi viduryje tarp genų. AlphaGenome 2 nuspėjo, kad konkretus variantas veikia geną, nutolusį per 290 000 bazių porų – genomo terminais labai toli. Cricko institute esanti grupė, tyrusi tą patį lokusą, patvirtino, kad variantas labai tikėtinai reguliuoja būtent tą geną; AlphaGenome 2 retrospektyviai atkartojo šį rezultatą.
Modelyje padaryti architektūriniai patobulinimai, leidžiantys prognozuoti skirtumus tarp ląstelių tipų ir skirtingą to paties varianto poveikį skirtinguose ląstelių tipuose.
Duomenų šališkumas ir modelių ribos28:38
Į klausimą apie duomenų disbalansą atsakoma, kad dėl apmokymo būdo tikriausiai yra tam tikras šališkumas kraujo imuninių ląstelių link, nes kraujo duomenų labai daug. Tačiau buvo stengiamasi surinkti įvairius audinių mėginius, apimančius audinių įvairovę žmoguje ir pelėje, ir gerai stratifikuoti biologiją, nors tai labai sunku; retus ląstelių tipus ar būsenas, pavyzdžiui, plaučiuose, pagauti sudėtinga. Taip pat AlphaGenome 2 leidžia naudotojams prijungti savo duomenis – laboratorija, tirianti, tarkime, plaučių ligą, gali daryti variantų poveikio prognozes savo duomenų atžvilgiu, net nereikalaujant papildomo modelio apmokymo (fine-tune).
Į pastabą, kad visa tai yra in silico, atsakoma, jog biologijoje yra daugybė ribinių atvejų ir išimčių, dėl kurių ją sunku prognozuoti; modeliai pilnai nesimuliuoja to, kas vyksta ląstelių viduje, ir daug ribinių atvejų praleidžia, bet laikomi pakankamai gerais, kad duotų naudingų prognozių ir užuominų bei nukreiptų teisinga linkme. Pabrėžiama, kad iki tikros biologijos simuliacijos dar labai toli. (Tekstas nutrūksta ties mintimi apie eksperimentų atlikimą.)
Originalas: AlphaGenome 2: Teaching AI to read the entire human genome (Google DeepMind YouTube kanalas)