มองความเปลี่ยนแปลงของ DNA ให้ถึงระดับเซลล์
AlphaGenome 2 คือโมเดลทำนาย DNA ของ DeepMind ที่ประเมินว่าความแปรผันของลำดับ DNA อาจเปลี่ยนการแสดงออกของยีนในเซลล์ชนิดและสถานะต่าง ๆ อย่างไร โดยอาศัยข้อมูลระดับเซลล์เพื่อแยกผลที่แบบจำลองภาพรวมอาจมองไม่เห็น โมเดลนี้เปิดตัวเมื่อ DeepMind ต้องการเชื่อมการอ่านข้อมูลพันธุกรรมเข้ากับชีววิทยาของเซลล์ให้ละเอียดขึ้น จุดสำคัญคือเซลล์ในร่างกายมี DNA ชุดเดียวกัน แต่ไม่ได้เปิดใช้ยีนชุดเดียวกัน กล้ามเนื้อหัวใจ เซลล์ผิวหนัง และเซลล์ภูมิคุ้มกันจึงตอบสนองต่อความแปรผันเดียวกันไม่จำเป็นต้องเหมือนกัน การถามเพียงว่า DNA เปลี่ยนตรงไหนจึงยังไม่พอ ต้องถามด้วยว่าเกิดในเซลล์ชนิดใดและเซลล์อยู่ในสถานะใด AlphaGenome 2 พยายามตอบคำถามที่เจาะจงกว่านั้น และข้อมูลฝึกจากโปรไฟล์เซลล์มากกว่า 100 ล้านรายการ ครอบคลุมเนื้อเยื่อ 68 ชนิด ช่วยให้การคาดการณ์ลงรายละเอียดระดับนี้ได้

ข้อมูลเซลล์ช่วยขยายการคาดการณ์โดยไม่ฝึกใหม่
ความสามารถที่น่าสนใจไม่ได้อยู่แค่ขนาดชุดข้อมูล แต่อยู่ที่การนำข้อมูลการแสดงออกของยีนจากเซลล์จำนวนไม่มากมาใช้ตั้งเงื่อนไขสำหรับสถานะใหม่ นักวิจัยสามารถให้ข้อมูลจากเซลล์เพียงหลายสิบเซลล์ แล้วใช้โมเดลคาดการณ์ผลในสถานะที่ไม่เคยพบระหว่างฝึก โดยไม่ต้องฝึกโมเดลใหม่ วิธีนี้ลดข้อจำกัดของการมีข้อมูลทดลองครบทุกชนิดเซลล์และทุกสภาวะ ซึ่งในทางปฏิบัติทำได้ยาก การทดสอบกับข้อมูลเซลล์ทีที่เกี่ยวข้องกับวัคซีนเอ็มอาร์เอ็นเอโควิด-19 แสดงว่าโมเดลแยกเซลล์ทีที่ถูกกระตุ้นออกจากเซลล์ที่ไม่ถูกกระตุ้นได้ และคาดการณ์ว่าความแปรผันที่เชื่อมโยงกับภาวะโควิด-19 รุนแรงส่งผลต่อกิจกรรมของยีนในเซลล์ทีที่ถูกกระตุ้นมากกว่า นี่เป็นประโยชน์เชิงวิจัยที่ชัดเจน แต่การคาดการณ์ยังเป็นเบาะแสสำหรับนำไปตรวจสอบ ไม่ใช่หลักฐานยืนยันกลไกหรือคำวินิจฉัยโรค
ผลทดสอบชี้ว่าเห็นความแปรผันได้มากขึ้น
ตัวเลขจากการทดสอบกับข้อมูลเซลล์ภูมิคุ้มกัน 28 ชนิดช่วยให้เห็นความแตกต่างจากรุ่นก่อนอย่างเป็นรูปธรรม เมื่อกำหนดความแม่นยำในการระบุไว้เท่ากันที่ 90% AlphaGenome 2 ตรวจพบความแปรผันของ DNA ที่มีผลต่อการแสดงออกของยีนได้ 30% เทียบกับ 16% ในโมเดลก่อนหน้า ส่วนการคาดการณ์ว่าความแปรผันทำให้การแสดงออกของยีนเพิ่มหรือลด เมื่อคงความแม่นยำของทิศทางไว้ที่ 90% รุ่นใหม่ระบุผลที่เกี่ยวข้องได้ 43% เทียบกับ 23% ตัวเลขนี้ไม่ได้แปลว่าโมเดลระบุสาเหตุของโรคได้ครบถ้วน แต่แสดงว่ามันอาจช่วยคัดกรองเบาะแสที่ควรศึกษาในห้องทดลองได้ดีขึ้น ตัวอย่างโรคลำไส้อักเสบชี้ให้เห็นประเด็นดังกล่าว โดยการคำนวณของโมเดลสอดคล้องกับผลศึกษาบางส่วนที่พบว่าความแปรผันเฉพาะอาจเพิ่มการแสดงออกของยีน ETS2 ในแมคโครฟาจของลำไส้ โดยมีผลต่อเซลล์ชนิดอื่นน้อยกว่า
เบาะแสสำหรับวิจัยโรคและแนวทางรักษา
คุณค่าของ AlphaGenome 2 จะอยู่ที่การช่วยให้นักวิจัยไล่จากความแปรผันที่พบในคนจำนวนมาก ไปสู่คำถามว่าเซลล์ใดได้รับผลและยีนใดเปลี่ยนการทำงาน ความเชื่อมโยงระดับเซลล์เช่นนี้อาจชี้เบาะแสของโรคทางพันธุกรรมและโรคอื่นที่เกี่ยวข้องกับการควบคุมยีน พร้อมเป็นจุดเริ่มต้นของการศึกษาวิธีรักษาที่มุ่งเป้าโปรตีนและเซลล์เฉพาะชนิด การสร้างโมเดลละเอียดระดับนี้เพิ่งเป็นไปได้ในช่วงหลัง เพราะเทคโนโลยีตรวจวัดเซลล์เดี่ยวและสถานะของเซลล์สร้างข้อมูลความละเอียดสูงได้มากพอ DeepMind ระบุว่ากำลังเพิ่มข้อมูลในสถานะเซลล์ที่ยังมีข้อมูลไม่เพียงพอ และรุ่นถัดไปอาจเรียนรู้จากข้อมูลหลายชนิดสิ่งมีชีวิต ก่อนที่โมเดลลักษณะนี้อาจมีส่วนพัฒนาเซลล์เสมือนเพื่อจำลองระบบชีวภาพในระยะยาว ขณะนี้ AlphaGenome 2 เปิดให้ใช้ผ่าน API สำหรับงานวิจัยที่ไม่แสวงหากำไร ส่วนงานวิจัยเชิงพาณิชย์มีให้ทดลองแบบจำกัด ข้อสรุปจึงไม่ใช่ว่า AI ค้นพบวิธีรักษาแล้ว แต่เป็นเครื่องมือที่ช่วยเลือกคำถามและการทดลองครั้งต่อไปได้แม่นยำกว่าเดิม






