2026 m. lapkričio 18 d., trečiadienis
Novatech Technologijų naujienos ir patarimai
Verslas

„Google DeepMind“ AlphaGenome Atlas padeda mokslininkams greičiau rasti ligas sukeliančius DNR pokyčius

„Google DeepMind“ AlphaGenome Atlas padeda mokslininkams greičiau rasti ligas sukeliančius DNR pokyčius
Asociatyvi nuotrauka (Warren Umoh / Unsplash)

Jūsų genomas yra kūno instrukcijų vadovas: planas, nulemiantis, kaip veikia organizmas. Jame yra 3 milijardai DNR bazių porų. Kadangi ši DNR iš dalies atsakinga už genų įjungimą ir išjungimą, nuo jos gali priklausyti, ar žmogus susirgs liga, ar jos išvengs. Išsiaiškinti, kurie DNR pokyčiai sukelia ligas (ir kitus padarinius), – tarsi ieškoti adatos šieno kupetoje.

Iliustracija. Jūsų genomas, taškas po taško.

DNR sekos iššifravimas yra „Google DeepMind“ sukurto modelio AlphaGenome tikslas. AlphaGenome gali priimti dalinę 1 milijono bazių porų ilgio DNR seką ir pateikti tūkstančius prognozių. Palyginę šias prognozes skirtingiems DNR pokyčiams, mokslininkai gali greičiau rasti tą adatą.

Plačiau apie tai kalbėta su „Google DeepMind“ mokslininku Žiga Avsec.

Ką Žiga Avsec veikia „Google“?

Pasak Avseco, jis yra mokslininkas, vadovaujantis bendrovės genomikos iniciatyvai. Iš esmės jis vadovauja komandai, kuri kuria modelius, padedančius geriau suprasti genomą.

Kaip jo komanda padeda mokslininkams lengviau prognozuoti ir suprasti ligas?

Avseco teigimu, viskas priklauso nuo to, kaip veikia genomas. Jame yra 3 milijardai DNR bazių porų, o kiekvienoje poroje yra dvi bazės, vadinamos „raidėmis“. Šios raidės – A (adeninas), T (timinas), C (citozinas), G (guaninas) – veikia kaip biologinė abėcėlė, kuria surašytas genetinių instrukcijų vadovas, lemiantis, kas yra žmogus.

Kadangi kiekvieną iš šių raidžių galima pakeisti trimis kitomis, galimų vienos raidės pakeitimų yra 9 milijardai. Daugelį genetinių ligų sukelia vos vienos tokios raidės pasikeitimas. Tačiau mokslininkai neturi laiko atlikti milijardų tyrimų, kad išsiaiškintų, kurie pokyčiai turi reikšmės.

Todėl komanda panaudojo AlphaGenome, kad numatytų visų 9 milijardų vienos raidės pakeitimų padarinius, ir sukūrė didžiulį duomenų rinkinį – AlphaGenome Atlas, – kad mokslininkai galėtų greičiau nuspręsti, ką tirti.

Iliustracija. Raidės šiam pavyzdžiui išgalvotos.

Kas trukdo mokslininkams geriau suprasti genomą?

Avsec aiškina, kad nors mokslas gali perskaityti visas 3 milijardus žmogaus DNR bazių porų, genetinio kodo semantika vis dar nėra visiškai iššifruota – ypač nekoduojanti „tamsioji materija“, reguliuojanti genų raišką ir ligos riziką. Eksperimentiniai tyrimai, dar vadinami šlapiosios laboratorijos (angl. wet-lab) tyrimais, yra geriausias būdas padaryti supratimo proveržį, tačiau jie brangūs ir imlūs laikui. Vienas proveržis gali užtrukti metus.

Pasak jo, tarkime, sekvenuojama retą ligą turinčio paciento DNR. Gali paaiškėti, kad yra 4 milijonai variantų – 4 milijonai skirtumų nuo standartinio žmogaus genomo etalono. Tačiau kyla klausimas: kuris variantas sukelia ligą? Sąrašą galima susiaurinti, palikus tik retus variantus, bet ir tada gali likti šimtai ar tūkstančiai galimybių.

Paaiškinimas: Genetinis variantas – tai vietos DNR sekoje skirtumas, palyginti su etaloniniu genomu. Dauguma variantų nekenkia, todėl sunkiausia atrasti tuos, kurie iš tiesų sukelia ligą.

Kai mokslininkai naudoja AlphaGenome Atlas, jie gauna vieną lengvai suprantamą įvertį – AVI (AlphaGenome Variant Impact) – kuris iškart parodo galimą varianto poveikį visame genome. Tai padeda nustatyti prioritetus ir lengviau rasti labiausiai sutrikdančius pokyčius, kuriuos verta tirti toliau.

Iliustracija. Kiekvienas taškas reiškia daug variantų. Įverčiai išgalvoti.

Ar galėtų pateikti pavyzdžių, kaip AlphaGenome veikia kasdienius žmones?

Avseco teigimu, tokie įrankiai kaip AlphaGenome leidžia pereiti nuo paprasto DNR skaitymo prie geresnio ligų molekulinių mechanizmų supratimo, suteikia tyrėjams naujų krypčių tikrinti ir yra svarbus žingsnis link galimybės ateityje skaitmeniniu būdu simuliuoti visą žmogaus ląstelę.

Jis nurodo kelis galimo poveikio būdus. Tai gali paspartinti tyrimus, padedančius visuomenei geriau diagnozuoti ir pritaikyti gydymą pacientams, sergantiems retomis ar anksčiau neapibūdintomis genetinėmis ligomis. Tai taip pat galėtų pagreitinti vaistų kūrimo procesus, padėdamos farmacijos tyrėjams greičiau nustatyti ir patvirtinti didelės tikimybės terapinius taikinius. Be sveikatos priežiūros, AlphaGenome modelio architektūra galėtų padėti tyrėjams spręsti platesnius visuomenės uždavinius, įskaitant klimato kaitai atsparių augalų veisimą.

Iliustracija. Galimi AlphaGenome pagalbos būdai.

Kokių proveržių įgalino AlphaGenome?

Pasak Avseco, AlphaGenome dar gana naujas. „Google“ jį pristatė 2025 m. birželį, o AlphaGenome Atlas – šių metų rugsėjį. Tačiau tyrėjai jį jau naudoja mokslui plėtoti.

Gareth Hawkes, Medicinos tyrimų tarybos (Medical Research Council) stipendininkas Eksterio universitete, naudojo AlphaGenome Atlas, kad susiaurintų 1 milijardo genetinių variantų sąrašą. Susitelkęs į 1 % didžiausią poveikį turinčių variantų, jis nustatė 19 variantų grupių, susijusių su kūno masės indeksu, kurioms savo tyrime skirs prioritetą.

O Laura Covill, Broad Institute tyrėja stipendininkė, naudojo AVI įvertį, kad nustatytų genetinių variantų prioritetus tiriant neišaiškintas retas ligas. AlphaGenome Atlas nustatė svarbų variantą gene, susijusiame su neurovystymosi sutrikimais, – tai suteikė esminių patvirtinančių įrodymų, paskatinusių tolesnį tyrimą, įskaitant atvejo išaiškinimą.

Ką komanda tikisi nuveikti toliau?

Avsec pasakoja, kad komanda neseniai pristatė naujausią modelį AlphaGenome 2, kuris sprendžia vieną pagrindinių AlphaGenome apribojimų – ląstelių tipų specifiškumą. Nors AlphaGenome yra pažangiausio lygio, jis daugiausia buvo apmokytas naudojant visų audinių arba ląstelių linijų duomenis. Žinoma, kad atskiri tų audinių ląstelių tipai atlieka labai specifinį vaidmenį ir ligų atveju gali sutrikti. AlphaGenome 2 neapsiriboja audinių lygio vidurkiais ir prognozuoja, kaip genetiniai variantai sutrikdo šiuos atskirus ląstelių tipus, taip padėdamas tyrėjams tiksliai nustatyti ligų ląstelinius veiksnius.

Paaiškinimas: Ląstelių linija – tai laboratorijoje auginamos ląstelės, kurios dauginasi nuolat ir yra patogios tyrimams, tačiau ne visada tiksliai atspindi gyvo organizmo ląsteles.

Pasak Avseco, komanda taip pat aktyviai ieško geresnių būdų įvertinti, kiek modelis yra tikras dėl savo prognozių, kad tyrėjai žinotų, kiek pasitikėti kiekvienu rezultatu. Ankstyvosios analizės rodo, kad variantai, kurių poveikis prognozuojamas stipriai, vertinami gana gerai ir pasiekia aukštą tikslumo lygį. Kaip visada, kiekvienas, naudojantis AlphaGenome, turėtų aiškinti jo prognozes kartu su kitais informacijos šaltiniais.

Koks galutinis biologijos srities darbo tikslas?

Pasak Avseco, trumpuoju laikotarpiu komanda siekia pasitelkti dirbtinį intelektą, kad geriau suprastų genomo gramatiką ir tiksliai prognozuotų mutacijų poveikį. Ilguoju laikotarpiu ji ketina remtis šiuo pagrindu ir kurti visiškai veikiančią skaitmeninę žmogaus ląstelės simuliaciją.

Tai leis tyrėjams skaičiavimo metodais modeliuoti ligų mechanizmus, suprasti retas genetines būkles ir testuoti galimas terapijas.

Informacinių technologijų ir kibernetinio saugumo ekspertas