Κάθε κύτταρο του σώματος έχει το ίδιο DNA, αλλά ένα μυϊκό κύτταρο της καρδιάς δεν συμπεριφέρεται σαν ένα κύτταρο του ανοσοποιητικού. Η διαφορά είναι ποια γονίδια ανοίγουν και ποια κλείνουν. Το ίδιο γενετικό «τυπογραφικό λάθος» μπορεί έτσι να έχει πολύ διαφορετικό αποτέλεσμα ανάλογα με το κύτταρο όπου βρίσκεται. Αυτό το πρόβλημα στοχεύει το AlphaGenome 2, το νέο μοντέλο της Google DeepMind.
Το προηγούμενο AlphaGenome, που κυκλοφόρησε πέρυσι, έδινε προβλέψεις για ευρείες κατηγορίες ιστών. Το νέο κατεβαίνει στο επίπεδο του μεμονωμένου κυτταρικού τύπου και της κατάστασης του κυττάρου. Η DeepMind λέει ότι έτσι φαίνονται επιδράσεις που σε μοντέλα ιστού χάνονται.
Ένα μοντέλο που ρωτά «σε ποιο κύτταρο;»
Η αλλαγή στην αρχιτεκτονική είναι ουσιαστική. Το πρώτο μοντέλο διάβαζε μια αλληλουχία DNA ενός εκατομμυρίου γραμμάτων και προέβλεπε ταυτόχρονα χιλιάδες πειράματα από πολλούς ιστούς. Αυτό, εξηγεί η εταιρεία, απλώνει τη χωρητικότητά του και δυσκολεύει τη διάκριση ανάμεσα σε στενά συγγενικούς κυτταρικούς τύπους.
Το AlphaGenome 2 δουλεύει ανά συνθήκη. Παίρνει την ίδια αλληλουχία και, σε κάθε στάδιο, και τον κυτταρικό τύπο ή την κατάσταση που εξετάζεται. Έτσι μαθαίνει πώς το ίδιο κομμάτι DNA διαβάζεται διαφορετικά από κύτταρο σε κύτταρο. Εκπαιδεύτηκε σε περισσότερα από 100 εκατομμύρια προφίλ μεμονωμένων κυττάρων από 68 ιστούς, σύμφωνα με την DeepMind και το The Verge.
Προβλέπει τα ίδια βασικά μεγέθη με πριν, όπως την έκφραση γονιδίων, τις χημικές τροποποιήσεις των ιστονών και την προσβασιμότητα της χρωματίνης. Προσθέτει και τη μεθυλίωση του DNA, ένα χαρακτηριστικό που, κατά την εταιρεία, ζητούσαν πολλοί ερευνητές.
Οι αριθμοί είναι της εταιρείας
Στο σύνολο δεδομένων TenK10K, έναν χάρτη 28 τύπων ανοσοκυττάρων, το μοντέλο εντόπισε αξιόπιστα τις αιτιακές παραλλαγές στο 30% των περιπτώσεων, έναντι 16% για το αρχικό AlphaGenome με εξειδικευμένη προσαρμογή. Στις κατευθύνσεις της επίδρασης στα γονίδια το ποσοστό ήταν 43% έναντι 23%. Η DeepMind μιλά για «σχεδόν διπλάσιες» παραλλαγές που αλλάζουν την έκφραση γονιδίων.
Σε ένα παράδειγμα, το μοντέλο αναπαρήγαγε υπολογιστικά ένα εύρημα πρόσφατης μελέτης για τη φλεγμονώδη νόσο του εντέρου. Ξεχώρισε την παραλλαγή που ενισχύει το γονίδιο ETS2 στα μακροφάγα του εντέρου, χωρίς σημαντική επίδραση σε άλλα κύτταρα και γονίδια.
Μια ακόμη ιδιότητα: το μοντέλο μπορεί να προσαρμοστεί σε νέα δεδομένα από μεμονωμένα κύτταρα χωρίς νέα εκπαίδευση, ακόμη και από μικρό δείγμα. Αν ένας επιστήμονας δώσει μόνο μία μέτρηση, για παράδειγμα τη δραστηριότητα γονιδίων, μπορεί να προβλέψει ιδιότητες που δεν μετρήθηκαν. Αυτό βοηθά να αποφασιστεί ποια πειράματα αξίζουν πρώτα.
Για έρευνα, όχι για διάγνωση
Το μοντέλο δεν είναι εγκεκριμένο για κλινική ή διαγνωστική χρήση, όπως σημειώνει το SiliconANGLE. Οι προβλέψεις καθοδηγούν την έρευνα και δεν αντικαθιστούν τον πειραματικό έλεγχο. Διατίθεται από σήμερα για μη εμπορική έρευνα μέσω του AlphaGenome API, ενώ για εμπορική έρευνα υπάρχει περιορισμένη ιδιωτική προεπισκόπηση.
Ο επικεφαλής γονιδιωματικής της DeepMind, Žiga Avsec, είπε στο The Verge ότι η ακρίβεια αυτή μετρά όταν στόχος είναι μια θεραπεία: «Όταν αναπτύσσεις φάρμακα, στοχεύεις συγκεκριμένες πρωτεΐνες και συγκεκριμένους τύπους κυττάρων». Το νέο μοντέλο όμως δεν αντικαθιστά το παλιό. Οι πιο λεπτομερείς προβλέψεις κοστίζουν περισσότερο υπολογιστικά και, όπως είπε, θα έκαναν ανέφικτη τη δημιουργία του Atlas με όλες τις πιθανές αλλαγές ενός γράμματος στο ανθρώπινο γονιδίωμα, που η DeepMind δημοσίευσε τον Σεπτέμβριο.
Η DeepMind δουλεύει σε περισσότερα δεδομένα, μεταξύ άλλων για κυτταρικές καταστάσεις που σήμερα αντιπροσωπεύονται ελάχιστα. Ο Avsec ανέφερε ότι μελλοντικές εκδόσεις θα μπορούσαν να εκπαιδευτούν σε δεδομένα από πολλά είδη και, μακροπρόθεσμα, να τροφοδοτήσουν «εικονικά κύτταρα», ψηφιακές προσομοιώσεις βιολογικών συστημάτων.
Πηγή: SiliconANGLE
