DeepMind создала AlphaGenome Atlas: AI просчитал 9 млрд возможных изменений человеческой ДНК

Google DeepMind превратила AlphaGenome во что-то значительно большее, чем еще одну AI-модель для биологов. 8 сентября компания открыла AlphaGenome Atlas — огромный ресурс с заранее вычисленными прогнозами примерно для 9 млрд возможных однонуклеотидных изменений человеческого генома.

Иными словами, система пытается ответить на вопрос: что потенциально произойдет на молекулярном уровне, если заменить практически любую отдельную «букву» нашей ДНК. Размер нового атласа — около 1 петабайта. По оценке DeepMind, это более чем в 30 раз больше AlphaFold Database.

Но главная ценность AlphaGenome Atlas не в красивой цифре 9 млрд. Самое интересное — система работает не только с небольшой частью генома, непосредственно кодирующей белки, но и с остальными 98% ДНК, где находится огромное количество регуляторных механизмов и где последствия мутаций интерпретировать намного сложнее.

Откуда взялись 9 миллиардов вариантов

Человеческий геном содержит около 3 млрд пар оснований. В каждой позиции вместо текущей «буквы» ДНК теоретически можно поставить одну из трех других. Если перебрать такие точечные замены по всему геному, получается около 9 млрд возможных single-nucleotide variants.

Большинство таких изменений нейтральны или почти нейтральны. Часть может влиять на индивидуальные особенности. А некоторые редкие варианты становятся причиной серьезных наследственных нарушений. Проблема современной генетики уже не только в том, чтобы найти отличия в ДНК. Секвенирование способно показать огромное количество вариантов. Намного сложнее понять, какие из них действительно функционально важны.

У пациента могут быть тысячи потенциально интересных генетических отличий, но лишь одно или несколько реально объясняют редкую патологию. Проверять каждое в лаборатории невозможно. Именно здесь DeepMind предлагает AI как систему приоритизации.

AlphaGenome прогнозирует, как генетическое изменение может влиять на сплайсинг РНК, регуляцию активности генов, доступность хроматина и другие молекулярные процессы. Atlas означает, что огромная часть этих прогнозов уже посчитана заранее и исследователю не нужно отдельно запускать модель для каждого варианта.

Самые сложные 98% генома

Только около 2% человеческого генома непосредственно кодирует белки. Эту часть относительно проще интерпретировать: если вариант меняет критически важную аминокислоту в белке, иногда можно довольно прямо проследить механизм.

Остальные 98% долгое время были намного сложнее. Эта ДНК не является «мусором»: в ней находятся регуляторные элементы, определяющие, когда, где и насколько активно будут работать гены. Именно в некодирующих участках находится огромное количество вариантов, связанных с заболеваниями и особенностями организма, но установить причинный механизм для них сложнее.

AlphaGenome может генерировать тысячи молекулярных прогнозов в сотнях типов клеток и тканей. Для более быстрого ранжирования DeepMind создала AlphaGenome Variant Impact score — AVI, объединяющий сигналы AlphaGenome и AlphaMissense в одну оценку, чтобы исследователь мог быстрее решить, какие варианты проверять первыми.

Здесь есть критически важная граница: AVI — это не вероятность заболевания. Высокий score означает, что AI видит потенциально сильный молекулярный эффект, но не означает, что мутация гарантированно вызывает болезнь. Для клинического вывода нужны популяционные данные, семейная генетика, лабораторные эксперименты и медицинская интерпретация.

Уже есть примеры экспериментального подтверждения

Самая сильная часть анонса DeepMind — компания показала не только базу данных, но и случаи, где прогнозы помогали в реальных исследовательских задачах. В сотрудничестве с GREGoR Consortium ученые использовали AVI для анализа нерешенных случаев редких заболеваний.

Один из примеров касался гена DNM1, связанного с эпилептической энцефалопатией. AlphaGenome помогла выделить вариант, который раньше не получил достаточного внимания, и предсказала конкретный механизм: мутация создавала неправильный splice site, приводивший к аномальному сплайсингу. Последующие лабораторные тесты подтвердили предсказанный механизм.

Другой анализ использовал геномные данные более 54 000 участников UK Biobank. Исследователи группировали редкие некодирующие варианты по прогнозируемому молекулярному воздействию. По данным DeepMind, такой подход дал на 22% больше ассоциаций с некодирующими вариантами в этом конкретном анализе по сравнению с базовым методом без функциональной приоритизации.

Эту цифру не стоит превращать в универсальное обещание «AI на 22% лучше находит болезни». Речь идет о конкретной исследовательской постановке, а не о клинической точности системы. Но пример важен: он показывает, что модель может быть полезна не только как генератор прогнозов, но и как инструмент, который сужает пространство поиска для экспериментов.

Станет ли AlphaGenome вторым AlphaFold

В стратегии DeepMind легко увидеть знакомую схему. AlphaFold сначала научился предсказывать структуры белков, а затем компания массово просчитала белковое пространство и создала AlphaFold Database. Модель превратилась в научную инфраструктуру.

Теперь компания пытается сделать примерно то же самое с геномом. Но есть важное отличие: эффект генетического варианта может зависеть от типа клетки, ткани, возраста, других мутаций и окружающей среды. Поэтому AlphaGenome Atlas нельзя читать как таблицу «мутация → гарантированный результат». Это скорее гигантская карта вероятных молекулярных последствий, помогающая понять, куда смотреть дальше.

DeepMind прямо предупреждает, что Atlas не является клинической диагностической системой. Nature также подчеркивает необходимость экспериментальной проверки и осторожной интерпретации, особенно для некодирующих участков генома.

Практический сценарий будущего может выглядеть так: секвенирование генома дает тысячи подозрительных вариантов, AlphaGenome быстро ранжирует их и предлагает возможные молекулярные механизмы, а лаборатория проверяет десятки наиболее перспективных кандидатов вместо сотен или тысяч. Если такой подход масштабируется, 9 млрд прогнозов будут важны не самим количеством. Они станут еще одним слоем постоянной AI-инфраструктуры для биологии, на которой будут строиться следующие исследовательские системы.