跳到正文
Nature· Ewen Callaway·· 8 天前精选AI 评分62

DeepMind 发布 AlphaGenome 2,可按细胞类型预测非编码 DNA 变异效应

DeepMind’s ultra-powerful AI for genome mapping wows scientists

AI 导读

Google DeepMind 发布 AlphaGenome 2 模型,可预测非编码 DNA 序列的分子效应,并给出变异可能起作用的细胞类型。该模型在 68 种组织、超过 1 亿个单细胞的基因活性等测量数据上训练,覆盖 637 种人类细胞和 311 种小鼠细胞类型,也能接受新的单细胞数据生成变异预测。

AI 深度导读逐节精读,配原文插图
背景
2024年,一项研究找到了炎症性肠病(IBD)的一个新驱动因素:基因ETS2,它因一种使人易患该病的DNA变异而在免疫细胞中过度活跃。这个变异此前一直让研究者困惑——它位于一片「基因沙漠」里,离蛋白编码序列很远。该发现依赖基因编辑等分子生物学手段,并指出了潜在的新IBD疗法,代价是约一年半的实验。读这类非编码变异之所以难,是因为它们占人类基因组的98%,却最难破译。两个月前,Google DeepMind发布了AlphaGenome Atlas,即对人类基因组每一种可能的单字母改变——共90亿个变异——的预测;这些预测由AlphaGenome 1做出,带有一个重大缺陷:不指明变异可能在哪种细胞里起作用——无论是制造抗体的B细胞还是胰岛β细胞。伦敦Francis Crick研究所的James Lee说,无法预测细胞类型特异性「有点问题」,这也是它对「我们」用处不大的原因。
DNA链形状的像素迷宫俯视图,小人沿线路行走
DNA链形状的像素迷宫俯视图,小人沿线路行走
做法
Google DeepMind(伦敦)的团队给出了AlphaGenome 2,作为预测非编码DNA序列分子效应(如对其他基因表达的影响)的AI工具的更新版,今日公布。与AlphaGenome 1用异质细胞的「bulk」样本数据训练不同,Žiga Avsec领导的AlphaGenome团队用来自68个组织、超过1亿个单细胞的基因活性及其他测量数据训练新模型。据Google DeepMind科学家、预印本共同作者Adam Gayoso说,结果是更丰富、更细粒度的细胞间差异表征,模型可在数百种小鼠和人类细胞类型中做出预测。它的适用范围也不限于训练所用的637种人类细胞类型和311种小鼠细胞类型:研究者可以喂入新的单细胞基因活性数据——比如疾病状态下的细胞——再生成基因变异预测。验证方式之一是复现Lee团队2024年的IBD发现:Lee说,他们花了一年半实验才得到的答案,模型30分钟就给出了,而且整个过程没有动移液枪。模型的描述以预印本形式发布在公司网站上。
结论
AlphaGenome 2复现了2024年ETS2/IBD发现的若干方面,全程没有实验操作。Lee给出的时间对比是:模型30分钟内得到答案,而其实验室用了约一年半;他对这一结果的表述是「从我们的角度来说是令人安心的」。训练规模上,新模型用的是68个组织、超过1亿个单细胞的数据,AlphaGenome 1用的则是异质细胞的bulk样本。AlphaGenome 2能在数百种小鼠和人类细胞类型中做预测,训练覆盖637种人类细胞类型和311种小鼠细胞类型,并可通过提供新的单细胞数据超出这一范围。作为对照,两个月前发布的AlphaGenome Atlas覆盖人类基因组每一种可能的单字母改变,共90亿个变异,但由AlphaGenome 1生成,不指明变异起作用的细胞类型。
机制
新模型能分辨细胞类型,根源在训练数据的粒度。非编码DNA序列——包括Lee团队定位的那个变异,它属于一种叫基因增强子的序列——往往只在特定类型的细胞中活跃。DeepMind的Žiga Avsec的表述是:要理解与遗传病相关的变异,就必须问哪些细胞类型受了影响。AlphaGenome 1用异质细胞的bulk样本训练,无法区分细胞之间的差别;AlphaGenome 2改用单细胞测量,得到更细粒度的细胞间差异表征,预测因此可以落到具体细胞类型上。
意义
细胞类型特异性补上之后,Atlas式的全基因组变异预测才有条件对应到具体细胞。Gayoso指出,研究者可以输入疾病状态细胞等新的单细胞基因活性数据来生成变异预测,这可能帮助更快识别疾病背后的变异。对做遗传病变异解读的研究者而言,这个能力对应的是从「哪个变异有影响」推进到「在哪种细胞里有影响」。
局限
正文只以ETS2这一个案例说明AlphaGenome 2的复现能力,未给出它在更多已知变异上的表现;模型的描述以预印本形式发布在Google DeepMind网站上。
推荐理由

该模型把非编码变异的预测细化到具体细胞类型,可用于判断哪些疾病相关变异值得做实验。

来源:Nature · nature.com