Google DeepMind Luncurkan Model AI AlphaGenome untuk Dukung Wawasan Lebih Dalam Mengenai DNA Manusia
Singkatnya
Google DeepMind telah meluncurkan AlphaGenome, model AI yang membantu ilmuwan memahami DNA dengan memprediksi efek perubahan genetik untuk mempercepat penelitian dan penemuan.
Cabang AI dari perusahaan teknologi Google, Google DeepMind meluncurkan AlphaGenome, sebuah model AI yang dirancang untuk memberikan prediksi yang lebih tepat dan terperinci tentang dampak varian genetik atau mutasi individu pada berbagai proses biologis yang terlibat dalam regulasi gen. Kemampuan ini didukung sebagian oleh perkembangan teknis yang memungkinkan model tersebut menganalisis sekuens DNA yang diperluas dan menghasilkan keluaran prediktif beresolusi tinggi.
Untuk mendukung upaya ilmiah yang sedang berlangsung, AlphaGenome saat ini ditawarkan dalam fase pratinjau melalui API AlphaGenome untuk penggunaan penelitian nonkomersial, dengan rencana untuk merilis model yang lebih luas pada tahap selanjutnya.
Model AlphaGenome yang dikembangkan oleh Google DeepMind memproses segmen DNA yang diperluas—hingga satu juta pasangan basa—dan menghasilkan prediksi di seluruh rangkaian luas sifat molekuler yang menjadi ciri regulasi gen. Ia juga dapat menilai dampak fungsional varian genetik atau mutasi tertentu dengan membandingkan hasil prediksi dari sekuens yang diubah dengan sekuens yang tidak dimodifikasi. Sifat yang diprediksinya meliputi lokasi awal dan akhir gen di berbagai jenis sel dan jaringan, titik penyambungan RNA, tingkat ekspresi RNA, aksesibilitas basa DNA, kedekatan spasial, dan interaksi pengikatan dengan protein pengatur. Data pelatihan untuk model tersebut diambil dari kumpulan data publik yang disediakan oleh konsorsium seperti ENCODE, GTEx, 4D Nucleome, dan FANTOM5, yang secara kolektif mencakup berbagai proses pengaturan gen di ratusan jenis sel dan jaringan manusia dan tikus.
Arsitektur AlphaGenome menggabungkan lapisan konvolusional yang mendeteksi motif pendek dalam urutan DNA, komponen transformator yang memungkinkan pertukaran informasi di seluruh panjang urutan, dan lapisan prediksi akhir yang menghasilkan wawasan tingkat molekuler di berbagai modalitas biologis. Pelatihan setiap urutan didistribusikan ke beberapa Unit Pemrosesan Tensor (TPU) yang saling terhubung. Model ini dibangun berdasarkan pekerjaan sebelumnya dengan Enformer dan melengkapi AlphaMissense, yang berfokus secara khusus pada wilayah pengkode protein. Sementara wilayah pengkode protein merupakan sekitar 2% dari genom, AlphaGenome menargetkan 98% sisanya—wilayah non-pengkode—yang dikenal karena perannya dalam mengatur aktivitas gen dan hubungannya dengan berbagai varian terkait penyakit.
Fitur-fitur khas AlphaGenome mencakup kemampuannya untuk menganalisis sekuens DNA yang panjang pada resolusi tingkat dasar, yang memungkinkan identifikasi daerah pengaturan yang terletak jauh dari gen yang dipengaruhinya, sambil tetap menangkap detail biologis berskala halus. Model-model sebelumnya sering kali menghadapi trade-off antara panjang sekuens dan resolusi, yang membatasi kemampuannya untuk secara bersamaan memodelkan fitur-fitur pengaturan yang kompleks. AlphaGenome mengatasi hal ini dengan mempertahankan efisiensi dalam pelatihan—hanya memerlukan empat jam dan memanfaatkan setengah dari sumber daya komputasi yang dibutuhkan untuk model Enformer asli.
Kapasitas model untuk prediksi multimoda memungkinkannya memberikan pandangan yang luas tentang mekanisme pengaturan, yang menawarkan wawasan terperinci kepada para ilmuwan tentang berbagai lapisan pengaturan gen. Model ini juga mendukung penilaian varian yang efisien dengan membandingkan urutan yang bermutasi dan tidak bermutasi secara cepat dan meringkas perbedaan berdasarkan konteks molekuler yang relevan.
AlphaGenome memperkenalkan kemampuan baru dalam pemodelan sambungan sambatan RNA secara langsung dari data sekuens DNA. Hal ini khususnya relevan untuk memahami kondisi genetik yang terkait dengan kesalahan penyambungan, seperti atrofi otot tulang belakang dan beberapa jenis fibrosis kistik. Dengan memprediksi lokasi dan tingkat ekspresi sambungan ini, model ini menawarkan pandangan yang lebih baik tentang bagaimana varian genetik dapat memengaruhi pemrosesan RNA.
Keunggulan Model Dasar dan Implikasinya Bagi Penelitian Masa Depan
Penerapan AlphaGenome yang luas memungkinkan para peneliti untuk memeriksa efek varian genetik di berbagai modalitas molekuler menggunakan satu permintaan API. Pendekatan yang efisien ini memungkinkan pembuatan dan pengujian hipotesis yang lebih cepat, tanpa perlu bergantung pada model terpisah untuk setiap fitur regulasi tertentu. Performa prediktif yang kuat dari model tersebut menunjukkan bahwa model tersebut telah mengembangkan pemahaman yang dapat digeneralisasikan tentang perilaku urutan DNA dalam kerangka regulasi gen, yang menawarkan platform yang dapat diperluas atau disempurnakan oleh orang lain dalam komunitas ilmiah. Setelah dirilis secara penuh, model tersebut akan tersedia untuk penyempurnaan dengan kumpulan data khusus, yang memungkinkan para peneliti untuk menyesuaikan kemampuannya guna menjawab pertanyaan ilmiah tertentu.
Arsitektur yang mendasarinya dirancang agar dapat diskalakan dan disesuaikan. Dengan data pelatihan tambahan, AlphaGenome berpotensi untuk meningkatkan akurasinya, memperluas kegunaannya di berbagai spesies, dan menggabungkan modalitas baru, sehingga meningkatkan cakupan dan kedalamannya secara keseluruhan.
Prediksi AlphaGenome dapat mendukung berbagai arah penelitian. Dalam konteks studi penyakit, prediksi ini dapat meningkatkan identifikasi dan interpretasi varian genetik yang relevan secara fungsional, terutama yang terkait dengan kelainan langka, yang berkontribusi pada pemahaman yang lebih jelas tentang mekanisme penyakit dan identifikasi target terapi yang potensial. Dalam biologi sintetis, hasilnya dapat memandu pengembangan sekuens DNA yang dirancang khusus dengan fungsi pengaturan yang ditargetkan, seperti memungkinkan ekspresi gen dalam jenis sel tertentu. Untuk penelitian genomik fundamental, AlphaGenome dapat membantu dalam pemetaan sistematis elemen genomik fungsional dan membantu memperjelas perannya dalam mengatur aktivitas seluler.
Penolakan tanggung jawab
Sejalan dengan Percayai pedoman Proyek, harap dicatat bahwa informasi yang diberikan pada halaman ini tidak dimaksudkan untuk dan tidak boleh ditafsirkan sebagai nasihat hukum, pajak, investasi, keuangan, atau bentuk nasihat lainnya. Penting untuk hanya menginvestasikan jumlah yang mampu Anda tanggung kerugiannya dan mencari nasihat keuangan independen jika Anda ragu. Untuk informasi lebih lanjut, kami menyarankan untuk merujuk pada syarat dan ketentuan serta halaman bantuan dan dukungan yang disediakan oleh penerbit atau pengiklan. MetaversePost berkomitmen terhadap pelaporan yang akurat dan tidak memihak, namun kondisi pasar dapat berubah tanpa pemberitahuan.
Tentang Penulis
Alisa, seorang jurnalis yang berdedikasi di MPost, berspesialisasi dalam mata uang kripto, bukti tanpa pengetahuan, investasi, dan bidang yang luas Web3. Dengan ketertarikannya terhadap tren dan teknologi yang sedang berkembang, ia memberikan liputan komprehensif untuk memberikan informasi dan melibatkan pembaca dalam lanskap keuangan digital yang terus berkembang.
lebih artikel
Alisa, seorang jurnalis yang berdedikasi di MPost, berspesialisasi dalam mata uang kripto, bukti tanpa pengetahuan, investasi, dan bidang yang luas Web3. Dengan ketertarikannya terhadap tren dan teknologi yang sedang berkembang, ia memberikan liputan komprehensif untuk memberikan informasi dan melibatkan pembaca dalam lanskap keuangan digital yang terus berkembang.
