Човешкият геном е една от най-сложните информационни системи, които науката се стреми да разчете. Само около 2% от приблизително 3 милиарда „букви“ кодират протеини, докато останалата част е значително по-трудна за интерпретация.

Google DeepMind прави тази област по-достъпна чрез базиран на изкуствен интелект „атлас“ на човешкия геном, разказва Nature. AlphaGenome Atlas картографира прогнозния ефект на около 9 милиарда възможни промени в отделни ДНК знаци. Системата анализира всяка възможна единична мутация, използвайки прогнозите на AI модела AlphaGenome, представен от DeepMind миналата година.

Атласът е достъпен безплатно за некомерсиална употреба.

Един от най-често срещаните видове генетични вариации са промените в отделни нуклеотиди или „букви“ в ДНК. Те обуславят нормалните различия между хората, включително риска от заболявания, а някои редки единични мутации могат директно да причинят болест.

AlphaGenome Atlas е създаден с цел да помогне на изследователите да разберат по-добре как подобни промени могат да влияят върху биологията.

Учените смятат, че ресурсът може да подпомогне диагностицирането на редки и трудни за обяснение заболявания, както и да разкрие механизмите зад широко разпространени заболявания и биологични характеристики. Системата също така предоставя повече яснота за начина, по който ДНК последователностите контролират активността на гените.

Ръководителят на Google DeepMind призова САЩ да оглавят нов орган за AI стандарти

Мартин Кирхер, биоинформатик в Max Delbrück Centre for Molecular Medicine в Берлин, предупреждава пред Nature, че подобен инструмент не може да замени лабораторните експерименти или индивидуалната клинична оценка.

По думите му обаче това е „полезен и щедър начин“ достъпът до силен модел да бъде значително разширен.

От пускането на AlphaGenome насам около 9000 изследователи са използвали прогнозите му чрез API, обяснява пред Nature продуктовият мениджър на DeepMind Дхави Харихаран. Използването на API изисква писане на код, което представлява бариера за част от биолозите. С AlphaGenome Atlas DeepMind цели да се справи с този проблем.

Компанията е изчислила прогнози за всяка от трите възможни промени на всеки нуклеотид в човешкия геном, като полученият обем данни достига около 1 петабайт.

Атласът включва и над 100 милиона кратки генетични вмъквания и изтривания, наблюдавани в човешките геноми.

Проектът е вдъхновен от базата данни AlphaFold на DeepMind, която съдържа прогнози за структурата на над 200 милиона протеина и вече се използва от милиони изследователи.

„Когато премахнеш затрудненията при достъпа, увеличаваш и любопитството на хората да навлизат по-дълбоко“, казва Жига Авсек, който ръководи екипа на AlphaGenome.

AlphaGenome генерира хиляди прогнози за потенциалния ефект на всяка генетична вариация.

Отвъд човешките данни: Как Ineffable Intelligence планира да създаде „суперучещ се“ интелект

Те включват промени в тъканната активация на гени и въздействие върху структурата на хроматина – формата, в която ДНК е организирана и нагъната в клетката.

Потребителите обаче постоянно са искали да получат по-прост отговор: една стойност, която да показва дали дадена генетична промяна заслужава по-задълбочено внимание.

Затова екипът разработва AlphaGenome Variant Impact (AVI) – показател за прогнозираното биологично въздействие на конкретен вариант.

DeepMind и академични изследователи съобщават в предварителна научна публикация, че AVI надеждно различава мутации, причиняващи заболявания, от безвредни промени в база данни с клинични геномни данни.

Резултатите от атласа са помогнали на екип от Broad Institute в Кеймбридж, Масачузетс, да идентифицира некодиращ генетичен вариант като възможна причина за тежък случай на епилепсия.

Това е особено важно за изследванията на редки заболявания, където досега често се използват по-опростени изчислителни модели.

Причината е, че прилагането на системи като AlphaGenome върху целия човешки геном изисква сериозен изчислителен ресурс, който не е достъпен за повечето изследователски екипи.

„Премахването на тази изчислителна бариера би трябвало да превърне Atlas в ценен ресурс“, коментират пред Nature Мафалда Диаш и Джонатан Фрейзър от Centre for Genomic Regulation в Барселона.

Една от най-интересните области за екипа на DeepMind е т.нар. некодираща ДНК – голямата част от генома, която не съдържа инструкции за директно производство на протеини. Учените знаят, че къси последователности, наречени мотиви, имат ключова роля в регулирането на генната активност. Някои влияят върху производството на информационна РНК, която пренася инструкции за синтез на протеини. Други привличат транскрипционни фактори – протеини, които контролират активността на отделни гени. Картината обаче все още е непълна.

С помощта на прогнозите на AlphaGenome Atlas изследователите са картографирали хиляди такива ДНК мотиви и са определили тяхната роля в различни видове клетки – например дали активират или потискат гени и дали променят достъпността на ДНК. Според молекулярния биолог Джулия Цайтлингер от Stowers Institute for Medical Research резултатът представлява своеобразен „речник с възможност за търсене“ за некодиращата ДНК.

Atlas може да бъде полезен и за анализ на връзката между генетични варианти и различни биологични характеристики в големи бази данни, които съчетават геномна и здравна информация.

Статистическият генетик Гарет Хоукс от University of Exeter вече е използвал прогнозите на модела, за да идентифицира и интерпретира редки некодиращи варианти, свързани с нивата на хиляди протеини в кръвта.

Анализът е проведен върху геномите на 54 000 участници в UK Biobank. Следващата му цел е да приложи същия подход към други характеристики, като например ръста.

Нов AI модел мисли визуално, вместо да разчита на текст

Следващите „потребители“ може да са AI агенти

Авсек смята, че един от най-съществените ефекти на Atlas може да се прояви не само сред учените, но и сред AI агентите.

Тези системи стават все по-ефективни в използването на научни бази данни и специализирани инструменти и могат автоматично да комбинират информация от различни източници.

„Мисля, че агентите ще се превърнат в истинските активни потребители на тези ресурси“, казва Авсек.

Системата обаче има значителни ограничения.

AlphaGenome Atlas анализира ефекта само на една мутация спрямо референтен геном и не отчита директно комбинирания ефект на множество генетични промени.

Съществуват статистически подходи, които частично компенсират това, но индивидуалните генетични различия могат значително да променят влиянието дори на отдалечени варианти, отбелязва Кирхер.

Бен Ленер, молекулярен биолог от Wellcome Sanger Institute във Великобритания, очаква Atlas да бъде полезен, но предупреждава срещу прекомерните очаквания.

„Това не е момент като AlphaFold“, казва той пред Nature.

Ленер смята, че точността на модели като AlphaGenome все още не е достатъчна за самостоятелно използване при клинични решения.

Той счита, че следващата основна задача за научната общност е да генерира достатъчно експериментални данни, за да могат моделите на генома и други биологични системи да достигнат надеждността на AlphaFold при прогнозирането на протеинови структури.

„Представете си, ако можехме да направим същото за всичко останало в биологията“, казва Ленер.