La sfida di prevedere l'impatto delle varianti genetiche
Ogni cellula del corpo umano contiene lo stesso DNA, ma non attiva gli stessi geni né risponde allo stesso modo a un'alterazione genetica. Una variante può avere effetti diversi a seconda del tipo e dello stato della cellula, il che fa sì che le medie dei tessuti completi possano nascondere segnali rilevanti per una malattia. Questa è la principale sfida affrontata dal nuovo strumento di Google DeepMind.
L'interpretazione di come le variazioni genetiche influenzino l'espressione genica e i suoi effetti a livello molecolare è stata un processo sperimentale difficile. AlphaGenome 2 cerca di accelerare i progressi verso questo obiettivo prevedendo come le varianti interrompano questi processi biologici, rivelando come siano collegati i piani di costruzione delle proteine e il pannello di controllo che regola l'attività genica.
Un'architettura condizionale centrata sul contesto cellulare
A differenza della versione precedente, che riceveva una sequenza di DNA di un milione di lettere e produceva previsioni in parallelo per numerosi tessuti, AlphaGenome 2 adotta un approccio condizionale. Analizza una specifica condizione biologica, come un tessuto, un tipo cellulare o uno stato, insieme alla sequenza genetica. Questa condizione entra in diverse fasi dell'architettura del modello, consentendo di stimare come lo stesso frammento di DNA venga interpretato in contesti cellulari diversi.
Il modello è stato addestrato con oltre 107 milioni di profili cellulari individuali provenienti da 68 tessuti, combinando dati da campioni umani e di topo. Oltre alle previsioni di espressione genica, modifiche degli istoni e accessibilità della cromatina offerte dalla versione precedente, AlphaGenome 2 incorpora stime di metilazione del DNA. Questa ampiezza consente di inferire misurazioni sperimentali mancanti, come prevedere l'accessibilità della cromatina a partire da dati di attività genica a livello di singola cellula.
Differenze chiave tra AlphaGenome 1 e AlphaGenome 2
| Caratteristica | AlphaGenome 1 | AlphaGenome 2 |
|---|---|---|
| Approccio di previsione | Uscite parallele fisse per tessuti in blocco | Modello condizionale per un tipo o stato cellulare specifico |
| Dati di addestramento | Sequenze di DNA lunghe | Oltre 107 milioni di profili cellulari individuali |
| Modalità aggiuntive | Espressione genica, istoni, cromatina | Include metilazione del DNA e imputazione multimodale |
| Generalizzazione | Richiede adattamento per nuovi contesti | Si adatta a nuovi dati scRNA-seq senza riaddestramento |
Miglioramenti quantitativi nell'identificazione delle varianti
Google DeepMind ha riferito che, nel set di dati TenK10K, una mappa di 28 tipi di cellule immunitarie primarie, AlphaGenome 2 ha identificato in modo affidabile il 30% delle varianti causali, rispetto al 16% del modello precedente adattato con dati a livello di singola cellula e altri strumenti specializzati. Nell'identificazione di effetti direzionali sui geni, il confronto è stato del 43% contro il 23%.
Questi risultati, forniti dall'azienda, suggeriscono che il modello può aiutare a prioritizzare le varianti candidate che altre analisi potrebbero trascurare. La valutazione ha anche esaminato se il modello potesse seguire variazioni continue di espressione genica in cellule che maturano, come le cellule staminali ematopoietiche che avanzano verso i lignaggi dei globuli rossi o delle cellule immunitarie, mostrando una migliore capacità di spiegare le differenze tra tipi cellulari dello stesso tessuto in regioni non viste durante l'addestramento.
Applicazioni nella ricerca sulle malattie e nella progettazione di farmaci
Lo strumento consente di collegare le varianti genetiche ai geni bersaglio in cellule umane primarie, come gli astrociti cerebrali, mappando gli enhancer e gli interruttori regolatori. Negli studi di associazione su tutto il genoma (GWAS), che spesso indicano regioni correlate a un tratto senza identificare la variante causale, i punteggi precalcolati di AlphaGenome 2 possono aiutare a prioritizzare le possibilità in tratti che vanno dall'altezza al diabete di tipo 2.
Per lo sviluppo di farmaci, identificare la cellula e la proteina coinvolte è cruciale nella definizione di un obiettivo terapeutico. Il modello ha riprodotto computazionalmente un precedente risultato su una variante in un elemento regolatore distante che aumenta l'attività del gene ETS2 nei macrofagi intestinali, cellule collegate alla malattia infiammatoria intestinale. Questo caso illustra come un segnale genetico possa dipendere dalla cellula in cui agisce, un fattore chiave per la medicina di precisione.
Limiti e portata dello strumento
Sia AlphaGenome che AlphaGenome 2 sono destinati esclusivamente alla ricerca e non sono stati validati né approvati per scopi clinici o diagnostici. L'azienda avverte che lo strumento è solo per la ricerca e che le previsioni più dettagliate comportano un maggiore costo computazionale. Per questo motivo, DeepMind non si aspetta di sostituire immediatamente la versione precedente, poiché il nuovo modello non risultava pratico per produrre l'atlante che copre i possibili cambiamenti di una singola lettera nel genoma umano.
Le prestazioni del modello sono condizionate dai dati con cui è stato addestrato. Sebbene possa generalizzare a nuovi stati cellulari caricando dati di RNA a livello di singola cellula, non sostituisce la verifica in laboratorio. L'imputazione multimodale può orientare su quali esperimenti sia opportuno eseguire successivamente, ma non dimostra da sola un meccanismo clinico. L'azienda anticipa di lavorare a strumenti per la sua piattaforma di sviluppo agentico Google Antigravity, ma non presenta il modello come un sistema di diagnosi.
Continua a esplorare
Fonti consultate
Correzioni e trasparenza
Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.
Proponi una correzione