AlphaGenome 2：DeepMind的DNA模型在细胞中发现的因果变异增加近一倍。

在免疫细胞基准测试中，DeepMind的AlphaGenome 2识别出的因果DNA变异几乎是其前代模型的两倍。

Google DeepMind发布了AlphaGenome 2，这是一款升级版DNA序列模型，可预测遗传变异如何影响不同的人类细胞类型，帮助研究人员探究疾病背后的遗传机制。

该模型建立在最初的AlphaGenome基础之上。原始模型可绘制广泛组织范围内的分子活动，并覆盖基因组的编码区和非编码区，为评估遗传变异的潜在影响提供了一种统一方法。

今年早些时候，该公司推出了AlphaGenome Atlas，这是一个单独的预测资源，用于绘制人类基因组中每一种可能的单字母DNA改变所产生的影响。

从组织到细胞

据该公司介绍，AlphaGenome 2不再局限于宽泛的组织水平平均值，而是进一步分析单个细胞类型和细胞状态。这使研究人员能够检查遗传变异如何影响疾病相关细胞，以及这些影响在不同细胞条件下可能有何差异。

该模型使用来自人类和小鼠样本、覆盖68种组织的超过1.07亿个单细胞图谱进行训练。前代模型并行生成多种组织中的预测，而更新后的模型则将特定生物条件与DNA序列一起作为输入。

研究人员可以从参考目录中选择一种细胞类型，或使用自己的单细胞数据来检查此前未见的细胞状态。该模型还可以根据其他可用数据估计缺失的实验测量值，例如染色质可及性。

因果变异几乎翻倍

Google DeepMind表示，在使用TenK10K（一个覆盖28种原代免疫细胞类型的单细胞数据集）进行的基准测试中，AlphaGenome 2识别出了30%的因果变异，而原始模型在单细胞数据上微调后及其他专用工具识别出的比例为16%。

该模型在判断变异对基因活动影响方向方面的能力也有所提高。在43%的案例中，它正确识别出变异是增加还是降低了基因表达，而早期模型和对照工具的这一比例为23%。

这些结果表明，更新后的系统可帮助研究人员缩小范围，确定哪些遗传改变最可能影响特定细胞类型中的疾病相关过程。

测试疾病相关变异

Google DeepMind还展示了该模型检查此前未遇到过的细胞条件下遗传效应的能力。

在一个例子中，研究人员使用了来自一项针对接种COVID-19 mRNA疫苗人群研究的单细胞数据。AlphaGenome 2区分了活化的免疫T细胞和静息T细胞，并发现与重症COVID-19相关的变异在活化细胞中对基因活动的影响更强。

该公司还使用该模型通过计算复现了一项涉及炎症性肠病（IBD）的发现。该变异位于DNA的远端调控区域，被证明会增加肠道巨噬细胞（一种免疫细胞）中ETS2基因的活性。模型预测，这种效应集中在这些细胞中，而不是广泛发生于其他细胞类型。

这些例子说明，细胞特异性预测如何帮助研究人员将遗传变异与疾病涉及的细胞和生物过程联系起来。然而，计算预测仍需实验验证。

AlphaGenome 2可通过AlphaGenome API用于非商业研究，商业研究人员则可通过私密预览访问。Google DeepMind表示，该模型仅供研究使用，尚未针对临床或诊断用途进行验证或获得批准。

如果朋友们喜欢，敬请关注“知新了了”！