Google DeepMind, DNA dizilerindeki varyantların etkisini artık geniş doku ortalamalarında değil, tek tek hücre tipleri ve hücre durumları üzerinde tahmin eden yeni nesil modeli AlphaGenome 2'yi duyurdu. 68 dokudan 100 milyondan fazla tekil hücre profiliyle eğitilen model, önceki nesline göre hücrelerde gen ifadesini değiştiren varyantların neredeyse iki katını yakalıyor. En dikkat çeken yeteneği, hiç görmediği hücre durumları için de yeniden eğitim gerektirmeden tahmin yapabilmesi: bilim insanı kendi tek-hücre deneyini yükleyerek modeli aşı, hastalık veya ilaç tepkisi gibi yeni durumlara uyarlayabiliyor. Model ticari olmayan araştırma için API üzerinden hemen kullanılabiliyor.
Vücudumuzdaki her hücre aynı DNA kılavuzunu taşır ama kalp kası hücresi, sinir destekleyici hücre veya enfeksiyonla savaşan bağışıklık hücresi bu kılavuzun farklı sayfalarını açar. Aynı genetik varyant, hücreye ve bulunduğu duruma göre bambaşka etkiler yapabilir — ve geniş doku ortalamalarına bakan modeller bu farkları kaçırır. Google DeepMind’ın yeni modeli AlphaGenome 2’nin cevap verdiği sorun tam bu: model, DNA dizilerindeki varyantların etkisini artık belirli hücre tipleri ve hücre durumları üzerinde, tek tek tahmin ediyor.
Teknik sıçrama, mimarinin baştan kurulmasından geliyor. İlk AlphaGenome bir milyon harflik DNA dizisini alıp binlerce doku deneyini aynı anda (paralel) tahmin ediyordu; bu verimliydi ama modelin kapasitesini yayıyor, birbirine yakın hücre tipleri arasındaki ince farkları yakalamayı zorlaştırıyordu. AlphaGenome 2 ise KOŞULLU bir model: doku, hücre tipi veya hücre durumu bilgisini girdinin her aşamasında kullanıyor ve aynı DNA bölgesinin farklı hücrelerde nasıl farklı okunduğunu öğreniyor. Bu tasarım eksik deneysel veriyi de tamamlayabiliyor — bilim insanı yalnızca tek-hücre gen etkinliği ölçümü yüklediğinde model kromatin erişilebilirliği gibi ölçülmemiş özellikleri tahmin edebiliyor ve böylece hangi deneyin sonraki yapılacağını önceliklendirmeye yardımcı oluyor. Eğitim, insan ve fare örneklerinden 107 milyonu aşkın tekil hücre profili ve 68 doku üzerinde yapıldı; okunan çıktılara gen ifadesi ve kromatin erişilebilirliğinin yanına yaygın istek üzerine DNA metilasyonu da eklendi.
Sayılar şirket ölçümü olmakla birlikte çarpıcı: TenK10K veri kümesi (28 birincil bağışıklık hücre tipinin büyük tek-hücre haritası) üzerinde AlphaGenome 2, önceki modele göre nedensel varyantların neredeyse iki katını (yüzde 30’a karşı yüzde 16) ve gen üzerindeki yönlü etkileri (yüzde 43’e karşı yüzde 23) güvenilir biçimde yakalıyor. Modelin hastalık bağını gösteren örnek: yakın tarihli bir çalışmada, bağırsaktaki bağışıklık hücrelerinde ETS2 genini aşırı aktive eden uzak bir düzenleyici anahtarın Crohn hastalığı dahil iltihaplı bağırsak hastalıklarını sürüklediği gösterilmişti. AlphaGenome 2 bu bulguyu hesaplamalı olarak yeniden üretti; nedensel varyantı tek başına ayıkladı ve etkisinin bağırsak makrofajlarında seçici olduğunu, başka hücre tiplerini büyük ölçüde etkilemediğini gösterdi.
Belki de en pratik yenilik genelleme: model, hiç görmediği tek-hücre deneyleri için yeniden eğitilme veya ince ayar gerektirmiyor. Bilim insanı birkaç düzine hücreden alınan gen etkinliği anlık görüntüsünü yükleyebiliyor; model bu veriyi bir hücre-durumu temsiline sıkıştırıp görülmemiş durumlar için tahmin yapıyor. Örneğin COVID-19 mRNA aşısı çalışmasına ait veriyle, AlphaGenome 2 aşıyla etkinleşen T hücrelerini dinlenenlerden ayırdı ve ağır COVID ile bağlantılı bir varyantın gen etkinliğini özellikle bu etkinleşmiş durumda daha güçlü bozduğunu ortaya çıkardı — sakin hücrelerde görülmeyecek bir etki. DeepMind ayrıca yüzlerce hücre ve doku koşulunda önceden hesaplanmış varyant puanlarını yayımlıyor; bu, büyük hesaplama altyapısı olmayan laboratuvarların geniş bağlantı çalışmalarının işaret ettiği bölgelerde nedensel varyantı, hedef geni ve etkilenen hücreyi daraltmasına yardımcı oluyor — boydan tip 2 diyabete uzanan karmaşık özellikler üzerinden.
Erişim ve sınır çizgileri net: AlphaGenome 2 ticari olmayan araştırma için AlphaGenome API’si üzerinden bugünden itibaren, ticari araştırma için özel önizlemede kullanılabiliyor; etkileşimli Colab öğreticileri de hazır. DeepMind’ın uyarısı açık — model yalnızca araştırma amaçlı, klinik veya tanısal kullanım için doğrulanmış ve onaylı değil. Şirket, özel modellerin Gemini 4 gibi ajanlı bilim araçlarıyla birleşmesinin keşfi hızlandıracağı çerçevesini yineliyor. İzlenecek kapılar: bağımsız laboratuvar doğrulamaları, önceden hesaplanmış varyant puanlarının gerçek hastalık keşiflerindeki ilk kullanımları ve ticari önizlemenin fiyatlama modeli.