Die Herausforderung, die Wirkung genetischer Varianten vorherzusagen
Jede Zelle des menschlichen Körpers enthält dieselbe DNA, aktiviert aber nicht dieselben Gene und reagiert unterschiedlich auf genetische Veränderungen. Eine Variante kann je nach Zelltyp und Zellzustand unterschiedliche Auswirkungen haben, weshalb Durchschnittswerte ganzer Gewebe relevante Signale für eine Krankheit verdecken können. Dies ist die zentrale Herausforderung, die das neue Werkzeug von Google DeepMind angeht.
Die Interpretation, wie genetische Variationen die Genexpression und deren molekulare Effekte beeinflussen, war ein schwieriger experimenteller Prozess. AlphaGenome 2 soll den Fortschritt in diese Richtung beschleunigen, indem es vorhersagt, wie Varianten diese biologischen Prozesse stören und wie die Baupläne für Proteine mit dem Steuerungspanel der Genaktivität verbunden sind.
Eine bedingte Architektur, zentriert auf den Zellkontext
Im Gegensatz zur Vorgängerversion, die eine DNA-Sequenz von einer Million Buchstaben entgegennahm und parallel Vorhersagen für zahlreiche Gewebe erzeugte, verfolgt AlphaGenome 2 einen bedingten Ansatz. Es analysiert eine spezifische biologische Bedingung, wie ein Gewebe, einen Zelltyp oder einen Zustand, zusammen mit der genetischen Sequenz. Diese Bedingung fließt in verschiedene Stufen der Modellarchitektur ein, was es ermöglicht, zu schätzen, wie ein identisches DNA-Fragment in unterschiedlichen Zellkontexten interpretiert wird.
Das Modell wurde mit über 107 Millionen individuellen Zellprofilen aus 68 Geweben trainiert, kombiniert aus menschlichen und Mäusedaten. Neben den Vorhersagen zur Genexpression, Histonmodifikationen und Chromatinzugänglichkeit, die die Vorgängerversion bereits bot, integriert AlphaGenome 2 Schätzungen der DNA-Methylierung. Diese Breite ermöglicht es, fehlende experimentelle Messungen zu inferieren, wie etwa die Chromatinzugänglichkeit aus Einzelzell-Genaktivitätsdaten.
Wesentliche Unterschiede zwischen AlphaGenome 1 und AlphaGenome 2
| Merkmal | AlphaGenome 1 | AlphaGenome 2 |
|---|---|---|
| Vorhersageansatz | Feste parallele Ausgaben für Bulk-Gewebe | Bedingtes Modell für einen spezifischen Zelltyp oder -zustand |
| Trainingsdaten | Lange DNA-Sequenzen | Über 107 Millionen individuelle Zellprofile |
| Zusätzliche Modalitäten | Genexpression, Histone, Chromatin | Enthält DNA-Methylierung und multimodale Imputation |
| Generalisierung | Erfordert Anpassung für neue Kontexte | Passt sich neuen scRNA-seq-Daten ohne erneutes Training an |
Quantitative Verbesserungen bei der Identifizierung von Varianten
Google DeepMind berichtete, dass AlphaGenome 2 im Datensatz TenK10K, einer Karte von 28 primären Immunzelltypen, zuverlässig 30 % der kausalen Varianten identifizierte, im Vergleich zu 16 % des vorherigen Modells, das mit Einzelzelldaten und anderen spezialisierten Werkzeugen angepasst wurde. Bei der Identifizierung richtungsweisender Geneffekte lag der Vergleich bei 43 % gegenüber 23 %.
Diese von dem Unternehmen bereitgestellten Ergebnisse deuten darauf hin, dass das Modell dabei helfen kann, Kandidatenvarianten zu priorisieren, die andere Analysen übersehen könnten. Die Bewertung prüfte auch, ob das Modell kontinuierliche Veränderungen der Genexpression in reifenden Zellen verfolgen kann, wie etwa Blutstammzellen, die sich zu roten Blutkörperchen oder Immunzellen entwickeln, und zeigte eine bessere Fähigkeit, Unterschiede zwischen Zelltypen desselben Gewebes in Regionen zu erklären, die während des Trainings nicht gesehen wurden.
Anwendungen in der Krankheitsforschung und Wirkstoffentwicklung
Das Werkzeug ermöglicht es, genetische Varianten mit Zielgenen in primären menschlichen Zellen, wie etwa Hirnastrozyten, zu verbinden, indem es Enhancer und regulatorische Schalter kartiert. In genomweiten Assoziationsstudien (GWAS), die oft Regionen mit einem Merkmal in Verbindung bringen, ohne die kausale Variante zu identifizieren, können die vorab berechneten Scores von AlphaGenome 2 helfen, Möglichkeiten in Merkmalen von der Körpergröße bis hin zu Typ-2-Diabetes zu priorisieren.
Für die Wirkstoffentwicklung ist die Identifizierung der beteiligten Zelle und des Proteins entscheidend, um ein therapeutisches Ziel zu definieren. Das Modell reproduzierte computergestützt einen früheren Befund über eine Variante in einem distalen regulatorischen Element, die die Aktivität des Gens ETS2 in Darmmakrophagen erhöht, Zellen, die mit entzündlichen Darmerkrankungen in Verbindung stehen. Dieser Fall illustriert, wie ein genetisches Signal von der Zelle abhängen kann, in der es wirkt, ein Schlüsselfaktor für die Präzisionsmedizin.
Einschränkungen und Reichweite des Werkzeugs
Sowohl AlphaGenome als auch AlphaGenome 2 sind ausschließlich für die Forschung bestimmt und wurden weder für klinische noch diagnostische Zwecke validiert oder zugelassen. Das Unternehmen warnt, dass das Werkzeug nur für die Forschung gedacht ist und dass detailliertere Vorhersagen mit höheren Rechenkosten verbunden sind. Aus diesem Grund erwartet DeepMind nicht, die Vorgängerversion sofort zu ersetzen, da das neue Modell nicht praktikabel war, um den Atlas zu erstellen, der alle möglichen Einzelbuchstabenänderungen im menschlichen Genom abdeckt.
Die Leistung des Modells ist durch die Daten bedingt, mit denen es trainiert wurde. Obwohl es sich durch das Hochladen von Einzelzell-RNA-Daten auf neue Zellzustände generalisieren lässt, ersetzt es nicht die Überprüfung im Labor. Die multimodale Imputation kann dabei helfen, zu bestimmen, welche Experimente als Nächstes durchgeführt werden sollten, beweist aber allein keinen klinischen Mechanismus. Das Unternehmen kündigte an, an Werkzeugen für seine agentische Entwicklungsplattform Google Antigravity zu arbeiten, präsentiert das Modell jedoch nicht als Diagnosesystem.
Weiter entdecken
Verwendete Quellen
Korrekturen und Transparenz
Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.
Korrektur vorschlagen