AlphaGenome 2: DeepMind доводить читання ДНК до рівня окремої клітини
Google DeepMind оголосила про AlphaGenome 2 у своєму блозі 11 листопада 2026 року. Компанія представляє її як модель нового покоління, що оцінює, як послідовності ДНК та їхні варіанти впливають на конкретні типи клітин людини. Контекст пояснює, чому це важливо. Більшість генетичних варіантів, пов'язаних із хворобами, розташована в некодувальній ДНК, і їхній ефект часто змінюється від одного типу клітин до іншого. Перша версія, анонсована в червні 2025 року й опублікована в Nature у 2026 році, працювала на рівні тканин. Друга спускається нижче, до окремого типу або стану клітини. Саме на цьому рівні сьогодні читають дослідження single-cell.
Головна відмінність полягає в постановці завдання. За описом DeepMind, AlphaGenome 1 передбачає всі треки паралельно. AlphaGenome 2 натомість умовна: вона отримує послідовність приблизно з мільйона основ разом з однією біологічною умовою — тканиною, типом клітини або станом клітини. Компанія заявляє, що для навчання використано понад 107 мільйонів індивідуальних клітинних профілів зі зразків людини та миші, причому як bulk-дані, так і single-cell. У вступі того самого допису цифра перетворюється на «понад 100 мільйонів» профілів із 68 тканин. Передбачувані модальності лишилися тими самими, що й у першій версії: експресія генів, модифікації гістонів і доступність хроматину. Новинка — метилювання ДНК. Крім того, модель може оцінити відсутню модальність за іншою, наприклад доступність хроматину за активністю генів, виміряною в окремих клітинах.
Усі цифри продуктивності надала DeepMind. Компанія стверджує, що AlphaGenome 2 знаходить майже вдвічі більше варіантів, які змінюють експресію генів у клітинах, ніж попередня еталонна модель, але абсолютних значень не наводить. Найдокладніші дані стосуються TenK10K — single-cell-мапи 28 типів первинних імунних клітин. За словами DeepMind, на цьому наборі даних модель виявляє 30% причинних варіантів проти 16% у методів порівняння, якими є оригінальна AlphaGenome, адаптована до single-cell-даних, та інші спеціалізовані інструменти. Напрям впливу на ген вона правильно визначає у 43% випадків проти 23%. Interesting Engineering наводить ті самі цифри. DeepMind також стверджує, що модель адаптується до нових single-cell-даних, навіть отриманих лише з кількох десятків клітин, без перенавчання і в таких випадках не поступається моделям, навченим спеціально на цих даних, або перевершує їх. Цифр на підтвердження допис не дає. Описовими, без кількісних даних, залишаються й наведені приклади: варіант гена ETS2, пов'язаний із запальними захворюваннями кишківника, і дослідження вакцини проти COVID-19, у якому активовані T-лімфоцити відрізняють від тих, що перебувають у стані спокою.
У дописі згадується співпраця з дослідниками Wellcome Sanger Institute. Далі наводяться два зовнішні коментарі, які відібрала сама DeepMind. Сара Тайхманн, співзасновниця консорціуму Human Cell Atlas і професорка Кембриджського університету, називає найцікавішим те, що модель «безпосередньо адаптується до нових single-cell-даних без перенавчання». Пітер Доннеллі, генеральний директор Genomics Limited, називає її «помітним кроком уперед для галузі» й повідомляє, що компанія має намір інтегрувати її у свою платформу Mystra.
За даними DeepMind, модель уже доступна для некомерційних досліджень через API AlphaGenome. В офіційній документації уточнюється, що для такого використання API безплатний, а ліміти запитів залежать від попиту. Для комерційних досліджень модель перебуває в закритому попередньому доступі. Компанія наголошує, що AlphaGenome і AlphaGenome 2 призначені лише для досліджень і не валідовані та не схвалені для клінічного чи діагностичного застосування. Залишаються білі плями. Рецензованої публікації немає, як немає й препринту на arXiv чи bioRxiv. Ми не змогли безпосередньо ознайомитися з технічним документом, на який посилається блог, тому архітектура, повні таблиці й пороги точності не перевірені з перших рук. Ні блог, ні документація не повідомляють, чи буде опубліковано ваги моделі. Деякі видання наводять додаткові цифри, наприклад щодо кількості заздалегідь розрахованих варіантів, яких ми не знайшли в офіційних джерелах: у блозі йдеться лише про «сотні умов». Нарешті, у переглянутих виданнях немає оцінок незалежних експертів.
Поки що мене більше переконує ідея, ніж цифри. Запитати модель, що робить варіант у цій клітині, у цьому стані, — правильне запитання, бо саме на цьому рівні ефект варіанта можна справді спостерігати, а не усереднювати по тканині. Але крок уперед, оголошений у корпоративному блозі й супроводжений лише коментарями, які вибрав сам автор, поки що лишається добре аргументованою обіцянкою. Справжній вердикт з'явиться, коли інші лабораторії ставитимуть моделі запитання, яких DeepMind не обирала.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала офіційний допис Google DeepMind від 11.11.2026 (дата, автори, навчальні дані, модальності, результати на TenK10K, умови доступу, цитати) та офіційну документацію на alphagenomedocs.com (безплатний API для некомерційного використання, посилання на публікацію першої версії в Nature). Для незалежного підтвердження прочитала Interesting Engineering (11.11.2026): ті самі цифри — 30% проти 16% і 43% проти 23%, 107 мільйонів профілів, 68 тканин, некомерційний API, закритий попередній доступ для комерційного використання, лише дослідження. Не вдалося прочитати MarkTechPost (доступ заборонено) і PDF статті (понад 10 МБ). Виключила вже опубліковані теми: стаття про AlphaProof Code і Signal стосується іншого проєкту DeepMind.
- Incertezze
- Усі цифри продуктивності надала DeepMind. Технічну статтю я не прочитала, бо PDF перевищує ліміти завантаження, тож архітектура, повні таблиці й пороги точності не перевірені з перших рук (деякі видання пишуть про точність 90%). Немає ні рецензованої публікації, ні препринту на arXiv чи bioRxiv. Невідомо, чи буде опубліковано ваги. Деякі видання називають близько 7 мільйонів заздалегідь розрахованих варіантів для 510 умов, але в прочитаних мною офіційних джерелах цієї цифри немає: у блозі сказано лише про «сотні умов». Низка тверджень, як-от про специфічність для типів клітин і адаптацію до нових даних, має якісний характер і не підкріплена цифрами. Єдині зовнішні коментарі відібрала DeepMind, а в прочитаних виданнях немає оцінок незалежних експертів.
- Perché pubblicarla
- Це науковий результат з офіційним першоджерелом, кількісними даними й реальним доступом для наукової спільноти: API безплатний для некомерційних досліджень. Тема стосується генетики хвороб, тобто суспільного інтересу, і дає змогу подивитися на неї без ажіотажу: цифри заявила компанія, рецензування немає, клінічного застосування немає, а чи буде опубліковано ваги, невідомо.