رفتن به محتوای اصلی
هوش مصنوعی ژنومیکگوگل دیپ‌مایند· 7 دقیقه مطالعه· در فناوری

دیپ‌مایند گوگل آلفاژنوم ۲ را رونمایی کرد؛ پیش‌بینی رفتار جهش‌های ژنتیکی در بافت‌های مجزا با اتکا به فرضیه‌سازی هوش مصنوعی

مدل ژنومی تازه گوگل از تحلیل خام و یکدست توالی DNA فراتر رفته و می‌کوشد رفتار جهش‌های ژنتیکی را درون بافت‌های مشخص بدن پیش‌بینی کند. با اینکه داده‌های اولیه از بهبود بنچمارک‌ها حکایت دارند، پژوهشگران تأکید می‌کنند این ابزار پیش از هرگونه کاربرد بالینی، نیازمند آزمون‌های گسترده در آزمایشگاه‌های تجربی است.

به قلم غزل بختیاری

این خبر را به اشتراک بگذارید

گوش‌ دهید

گوگل دیپ‌مایند در روز چهارشنبه، ۲۱ آبان ۱۴۰۵ (۱۱ نوامبر ۲۰۲۶)، مدل ژنومی آلفاژنوم ۲ (AlphaGenome 2) را معرفی کرد؛ سیستمی محاسباتی که هدفش پیش‌بینی نحوه عمل جهش‌های DNA در درون بافت‌های مجزای بدن انسان است. این پلتفرم تلاش می‌کند پیامدهای عملکردی هر واریانت ژنتیکی را بر اساس بافت سلولی ویژه‌اش ترسیم کند.[1][3]

مدل‌های سنتی توالی‌یابی معمولاً DNA را مانند یک دفترچه راهنمای ثابت و بی‌تغییر می‌دیدند و پیامد هر جهش را در سطح کل اندام‌های بدن میانگین می‌گرفتند. این رویکرد کلی‌نگر و تعمیم‌یافته، قدرت پیش‌بینی مدل‌ها را برای بیماری‌هایی که منحصراً در اندام‌هایی مشخص مانند کبد یا مغز بروز می‌کنند، به شدت کاهش می‌داد.[2]

معماری جدید، پیش‌بینی‌های خود را به وضعیت و نوع سلول مشروط می‌کند، نه اینکه برای یک توالی ژنتیکی معین، خروجی کلی و ثابت صادر کند. با در نظر گرفتن زمینه سلولی، این سیستم در پی آن است که دریابد بافت‌های گوناگون چگونه یک کد ژنتیکی کاملاً یکسان را به اشکال متفاوتی ترجمه و تفسیر می‌کنند.[1][2]

برای پیاده‌سازی این قابلیت بافت‌محور، پژوهشگران آلفاژنوم ۲ را با مجموعه داده عظیمی از اطلاعات زیستی انسان آموزش دادند. این داده‌های آموزشی شامل بیش از ۱۰۰ میلیون پروفایل تک‌سلولی است که از پایگاه‌های داده ژنومی موجود گردآوری شده‌اند.[5]

این پروفایل‌ها ۶۸ بافت متمایز انسانی را پوشش می‌دهند و داده‌های توالی‌یابی توده‌ای و تک‌سلولی را همزمان ترکیب کرده‌اند. این مقیاس آماری به شبکه عصبی اجازه می‌دهد قواعد تنظیم‌کننده پیچیده‌ای را شناسایی کند که متناسب با موقعیت فیزیکی سلول در بدن، ژن‌های خاصی را خاموش یا روشن می‌کنند.[5]

یادداشت فنی منتشرشده نشان می‌دهد که این مدل در معیارهای سنجش سلول‌های ایمنی به دستاوردهای قابل‌توجهی رسیده است. با جداسازی رفتار واریانت‌ها درون واکنش‌های ایمنی، آلفاژنوم ۲ توانسته در قیاس با سیستم‌های پیشین، دقت بالاتری در پیش‌بینی تغییرات بیان ژن ثبت کند.[7]

با این حال، زیست‌شناسان محاسباتی مستقل هشدار می‌دهند که نباید موفقیت در بنچمارک‌های عددی را بلافاصله معادل کارایی بالینی در دنیای واقعی پنداشت. خروجی‌های این مدل صرفاً برآوردهای آماری از رفتار مولکولی هستند، نه سندی قطعی و نهایی از نحوه پیشرفت یک بیماری در بدن انسان زنده.[4][6]

در تحلیل فنی منتشرشده توسط RohitAI آمده است: «ارزش این پلتفرم در گرو بافت سلولی، برچسب‌های داده‌ای استاندارد و پیگیری‌های تجربی در آزمایشگاه است.» داده‌های آموزشی پایه‌ای ذاتاً حاوی نویز و خطاهای بیولوژیکی هستند و پیش‌بینی‌های مدل نیز تنها به اندازه داده‌هایی که دیده، قابل اتکا خواهند بود.[6]

رویکرد جامعه بیوانفورماتیک در مواجهه با این خبر، آمیزه‌ای از کنجکاوی و تردید منطقی است؛ تردیدی که ریشه در فاصله میان ادعاهای روی کاغذ مدل و واقعیت‌های تأییدنشده دارد. نوآوری در معماری نرم‌افزاری بر کسی پوشیده نیست، اما سازوکارهای زیستی ادعاشده همچنان نیازمند اثبات فیزیکی هستند.[4]

واریانت ژنتیکی که آلفاژنوم ۲ آن را در سلول لوزالمعده آسیب‌رسان و مخرب تشخیص می‌دهد، کماکان باید در آزمایشگاه مرطوب آزمایش شود تا نتیجه تأیید گردد. این مدل عملاً در نقش یک سازنده فرضیه بسیار پیشرفته عمل می‌کند و میلیون‌ها احتمال ناشناخته را به فهرستی معقول از اهداف بیولوژیکی کاهش می‌دهد.[4][6]

تفکیک قائل شدن میان یک پیش‌بینی صرف محاسباتی و حقیقت زیستی، برای چرخه‌های مدرن کشف دارو حیاتی است. پژوهشگران داروسازی سال‌ها وقت صرف می‌کنند تا بفهمند چرا جهشی ژنتیکی در یک بافت خاص منجر به بیماری می‌شود، اما بر بافت کناری هیچ اثری بر جای نمی‌گذارد.[1][3]

چنانچه آلفاژنوم ۲ بتواند این تمایزهای بافتی را با دقت شبیه‌سازی کند، مانع از هدررفت منابع در مسیرهای تجربی بن‌بست خواهد شد. به این ترتیب، پژوهشگران می‌توانند تمرکز خود را روی ژن‌هایی بگذارند که به احتمال بسیار زیاد محرک اصلی پاتولوژی در اندام هدف هستند.[3]

با وجود این، اتکای سیستم به داده‌های تک‌سلولی موجود نقطه ضعفی انکارناپذیر دارد: این مدل ممکن است در تحلیل انواع سلول‌های نادر یا شرایط پاتولوژیکی که مستندات اندکی دارند، دچار لغزش شود. بخش‌هایی از دستگاه عصبی مرکزی که نمونه‌برداری و توالی‌یابی آن‌ها بسیار دشوار است، در میان ۱۰۰ میلیون پروفایل آموزشی سهم ناچیزی دارند.[5][6]

دیپ‌مایند انتشار این نرم‌افزار را گامی در راستای توانمندسازی جامعه علمی برای فهم عمیق‌تر سازوکار بیماری‌ها خوانده است. در گام نخست، این بستر در اختیار پژوهشگرانی قرار گرفته که می‌خواهند فرضیه‌های ژنتیکی خود را با چارچوب محاسباتی جدید محک بزنند.[1][4]

مستندات منتشرشده، پیش‌نیازهای فنی برای اجرای مدل و دسترسی پژوهشگران را تبیین کرده است. برخلاف هوش مصنوعی‌های عمومی و مکالمه‌محور، به‌کارگیری آلفاژنوم ۲ به تخصص عمیق در بیوانفورماتیک جهت بارگذاری فرمت توالی‌ها و تحلیل خروجی‌های وضعیت سلولی احتیاج دارد.[4]

این پلتفرم فعلاً هیچ کاربرد تشخیصی مستقیمی برای درمان بیماران ندارد. قوانین نهادهای ناظر بر ژنتیک بالینی بسیار سرسختانه است و هر سامانه‌ای که بخواهد در تجویز دارو یا تشخیص پزشکی به کار رود، نیازمند سال‌ها کارآزمایی بالینی و تأیید مراجع نظارتی مستقل خواهد بود.[4][6]

بنابراین، تأثیر ملموس و بی‌واسطه این فناوری در حوزه تحقیقات پایه و مراحل اولیه داروسازی احساس خواهد شد. آزمایشگاه‌های دانشگاهی فعال در زمینه بیماری‌های خودایمنی یا اختلالات متابولیک، اکنون ابزاری محاسباتی در اختیار دارند تا داده‌های خام ژنومی خود را بازخوانی کنند.[3][7]

تلفیق کامل این نرم‌افزار در روند روزمره آزمایشگاه‌ها احتمالاً بین ۶ تا ۱۲ ماه به درازا خواهد کشید؛ چراکه مراکز مستقل باید کارایی مدل را روی داده‌های اختصاصی خود بسنجند. این آزمون‌های بیرونی نخستین محک جدی دقت سیستم، دور از بنچمارک‌های گلخانه‌ای دیپ‌مایند، خواهند بود.[4][6]

معرفی آلفاژنوم ۲ تکرار الگویی آشنا در حوزه هوش مصنوعی علوم زیستی است: رونمایی شرکتی فناوری از اعدادی جذاب روی بنچمارک‌ها و سپس آغاز دوره بازبینی دقیق و موشکافانه توسط مجامع علمی.[4]

عیار واقعی این سیستم نه با اعداد بنچمارک سلول‌های ایمنی، بلکه با توانایی آن در کشف زوایای پنهان زیستی که تا پیش از این از دید دانشمندان دور مانده بود سنجیده می‌شود. این ابزار باید ثابت کند قادر به ردیابی تغییرات تنظیمی ریزی است که در درمان بالینی نقشی معنادار دارند.[6][7]

تحلیلگران مؤسسه CellCog یادآور می‌شوند که ادعاهای ارائه‌شده در معرفی این فناوری باید با دقت موشکافی شوند. فاصله بین پیش‌بینی صرف یک دگرگونی در بیان ژن با پیش‌بینی اثر بالینی آن بر سلامت یا نارسایی سلول، جهشی بزرگ و بسیار پیچیده در زیست‌شناسی است.[4]

علاوه بر این، خروجی‌های مدل کاملاً وابسته به کیفیت اطلاعات ۶۸ بافتی است که در آموزش آن استفاده شده‌اند. چنانچه داده‌های بنیادین دارای خطای توالی‌یابی یا سوگیری ساختاری باشند، شبکه عصبی عیناً همان انحراف‌ها را در شبیه‌سازی‌هایش بازتولید خواهد کرد.[5][6]

تصویرگری: پیش‌بینی‌های برخاسته از مدل‌های رایانه‌ای کماکان محتاج سنجش دقیق و تجربی درون آزمایشگاه‌های مرطوب بیولوژیکی هستند.

نبود اظهارنظرهای تجاری مدیران ارشد در نخستین سندهای فنی، نشان‌دهنده ماهیت فعلاً پژوهشی رونمایی ۲۱ آبان است. اسناد منتشرشده منحصراً به بررسی ساختار شبکه، مقیاس داده‌ها و متدولوژی به کار رفته در بنچمارک‌ها اختصاص یافته است.[1][5]

طی ۱۲ تا ۱۸ ماه آینده، جامعه بیوانفورماتیک آلفاژنوم ۲ را در برابر حقایق قطعی و ثبت‌شده زیستی مورد سنجش سخت‌گیرانه قرار خواهد داد. پژوهشگران واریانت‌هایی با اثرات زیستی شناخته‌شده را به مدل خواهند داد تا مشخص شود حدس‌های الگوریتم تا چه اندازه بر واقعیت منطبق است.[4][6]

نقطه عطف اساسی زمانی فرا می‌رسد که آزمایشگاه‌های مستقل دستاوردهای علمی خود به کمک این ابزار را در قالب مقالات داوری‌شده منتشر کنند. تا پیش از آنکه آزمایش‌های فیزیکی این محاسبات را تأیید کنند، مدل چیزی جز یک نقشه فرضی، هرچند پیشرفته، از ژنوم انسان نخواهد بود.[4]

کامیابی نهایی آلفاژنوم ۲ با میزان نفوذ آن در جعبه‌ابزار استاندارد بیولوژی مولکولی مشخص می‌شود. اگر این پیش‌بینی‌ها در هزاران آزمون آزمایشگاه مرطوب سرفراز بیرون بیایند، می‌توانند شیوه بازخوانی ژنتیکی بیماری‌های پیچیده را متحول سازند.[1][3]

حوزه زیست‌شناسی محاسباتی طی سالیان اخیر شاهد ورود سرمایه‌های کلان بوده و نهادهای گوناگونی در پی پیوند زدن ژنوتیپ به فنوتیپ هستند. اقدام تازه دیپ‌مایند در پیش‌بینی اختصاصی واریانت‌های بافتی، رقابت در مسیر خلق مدل‌های پایه زیست‌شناسی انسانی را وارد مرحله‌ای فشرده‌تر می‌کند.[2][5]

حوزه زیست‌شناسی محاسباتی طی سالیان اخیر شاهد ورود سرمایه‌های کلان بوده و نهادهای گوناگونی در پی پیوند زدن ژنوتیپ به فنوتیپ هستند.

حرف آخر این خواهد بود که آیا فرضیه‌های برخاسته از ۱۰۰ میلیون پروفایل سلولی می‌توانند به ساخت اهداف دارویی عملیاتی ختم شوند یا خیر. موعد ارزیابی بعدی زمانی است که اولین داده‌های اعتبارسنجی مستقل از سوی آزمایشگاه‌های دانشگاهی به چاپ برسد.[4][6]

آنچه نمی‌دانیم

  • درصد دقیق پیشرفت آلفاژنوم ۲ در بنچمارک سلول‌های ایمنی در مقایسه با مدل‌های پایه قبلی اعلام نشده است.
  • مشخص نیست کدام بافت‌های نادر یا کدام گونه‌های ناشناخته بیماری در مجموعه ۱۰۰ میلیونی داده‌های آموزشی غایب هستند.
  • زمان انتشار اولین ارزیابی‌های مستقل و همتاداوری‌شده از پیش‌بینی‌های مدل در آزمایشگاه‌های مرطوب همچنان نامشخص است.
زیست‌شناسان محاسباتی 40%منتقدان بیوانفورماتیک 40%پژوهشگران داروسازی 20%
زیست‌شناسان محاسباتی
این مدل را جهشی معماری و مهم در رمزگشایی از چگونگی تنظیم بیان ژن‌ها متناسب با بافت سلولی می‌دانند.
منتقدان بیوانفورماتیک
تأکید می‌کنند که کارآمدی مدل کاملاً وابسته به سلامت داده‌های آموزشی اولیه و ارزیابی عملی در آزمایشگاه‌های مرطوب است.
پژوهشگران داروسازی
بر توان بالقوه این سامانه در پیشگیری از ورود به آزمایش‌های هزینه‌بر و بن‌بست در ابتدای راه کشف دارو متمرکز شده‌اند.

منابع

پوشش منابع

7 منبع

3 دیدگاه شناسایی‌شده

زیست‌شناسان محاسباتی 40%منتقدان بیوانفورماتیک 40%پژوهشگران داروسازی 20%
  1. [1]Google DeepMindزیست‌شناسان محاسباتی

    AlphaGenome 2: Deciphering how cells read DNA to better understand disease

    مطالعه در Google DeepMind →
  2. [2]Unite.AIپژوهشگران داروسازی

    AlphaGenome 2 conditions predictions on specific cell states rather than diluting…

    مطالعه در Unite.AI →
  3. [3]MLQ.aiزیست‌شناسان محاسباتی

    Google DeepMind releases AlphaGenome 2 to predict how DNA changes affect specific cell types and disease

    مطالعه در MLQ.ai →
  4. [4]CellCogمنتقدان بیوانفورماتیک

    Google DeepMind's AlphaGenome 2 predicts how DNA variants act in specific cell types. What it claims, who can use it and what is not yet checked.

    مطالعه در CellCog →
  5. [5]AI Weeklyپژوهشگران داروسازی

    Google DeepMind released AlphaGenome 2 today, a DNA sequence model trained on more than 100 million individual cell profiles across 68 tissues of bulk and…

    مطالعه در AI Weekly →
  6. [6]RohitAIمنتقدان بیوانفورماتیک

    AlphaGenome 2 lets researchers study DNA changes in specific cell types. Its value depends on cell context, evidence labels and experimental follow-up.

    مطالعه در RohitAI →
  7. [7]Diggزیست‌شناسان محاسباتی

    Google DeepMind says its new genomics model predicts cell-specific DNA effects, with gains on an immune-cell benchmark.

    مطالعه در Digg →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.