Google Deepmind on julkistanut alfagenomin, voimakkaan uuden AI -mallin, joka on suunniteltu tulkitsemaan ihmisen geneettistä koodia ja ennustamaan DNA -variaatioiden toiminnallisia seurauksia. Nobel-palkittujen Alphafold-järjestelmän jalanjäljen seurauksena alfagenomi merkitsee merkittävää edistystä yrityksen kunnianhimoisessa strategiassa AI: n soveltamiseksi perustavanlaatuisiin tieteellisiin haasteisiin, joiden tarkoituksena on nopeuttaa dramaattisesti biologista tutkimusta ja sairauden ymmärtämistä.
Uusi järjestelmä antaa tutkijoille työkalun käytännössä testata, kuinka pienet DNA: n muutokset voivat laukaista spesifiset molekyylivaikutukset. MukaanRaportti MIT Technology Review -sivustolla, Deepmindin tutkimusjohtaja Pushmeet Kohli sanoi, että malli yhdistää monet erilaiset genomiset ennustehaasteet yhdeksi kehykseksi ensimmäistä kertaa. Tämä voisi auttaa tutkijoita lopulta ymmärtämään 98% ihmisen geneettisestä variaatiosta, joka ei ole koodaava ja joka on pysynyt suurelta osin käsittämättömänä.
Google kuitenkin hallitsi nopeasti odotuksia,selkeästiEttä työkalua ei ole suunniteltu henkilökohtaiseen genomin ennustamiseen. Yhtiö totesi, että alfagenomi on tutkimusväline, jonka tarkoituksena on antaa vihjeitä molekyylitiedoista, ei 23andMe-tyylisten ennusteiden tekemistä yksilön piirteistä.
Tieteen suunnitelma suunnitelma
Alfagenomin julkaisu on Google Deepmindin viimeisin pylväs nimenomaisessa 'AI: n tieteellisestä' -aloitteessa. Tämä ponnistus seuraa selkeää korkean profiilin malliilmoituksia, joista kukin on suunnattu selkeään tieteelliseen alueeseen.
Portfolio sisältää GNOME: n uusien materiaalien löytämiseksi, alfageometrian monimutkaisten matematiikkaongelmien ratkaisemiseksi ja Alphafold 3: n juhlitun avoimen korotuksen proteiinien vuorovaikutuksiin. Yhdessä nämä työkalut osoittavat johdonmukaisen strategian: tehokkaiden, aluekohtaisten AI: n luominen, joka voi jäsentää laajoja yhdistelmätiloja löytääkseen uusia ratkaisuja ja nopeuttaa löytöjä.
Ehdotettu lukeminen:Microsoftin Aurora AI ennustaa säätapahtumia 89%: n tarkkuudella uudessa ilmastoennustetyökalussa
Kuinka alfagenomi purkaa koodin
Alfegenome puuttuu ytimessä tärkeimmät tekniset rajoitukset, jotka ovat rajoittaneet aiempia malleja. Ensisijaisen mukaantutkimuspaperi, malli prosessoi laajan yhden megabaasin pituisen DNA-sekvenssin kerralla, jolloin se voi ennustaa tuhansia molekyylituloksia-geenien ilmentymistasoista siihen, kuinka DNA on pakattu soluun-monet yhden emäksen parin resoluutiossa.
Mallin arkkitehtuuri on rakennettu hienostuneelle muuntajapohjaiselle järjestelmälle, ja sen lopullinen versio oli hiottu käyttämällä 'tislaus' -tekniikkaa, kuten Google Research -blogikirjoituksessa on yksityiskohtaisesti. Tämä prosessi sisälsi yhden 'opiskelija' -mallin kouluttamisen 64 itsenäisesti koulutetun 'opettaja' -mallin suuren ryhmän yhdistetyn tiedon toistamiseksi, menetelmä, joka parantaa merkittävästi kestävyyttä. Tutkijoille malli on saatavana ei-kaupalliseen käyttöönOnline -sovellusliittymän, agenomin tulkintapakettiToimitetaan myös GitHubissa.
Virtuaalisista laboratorioista reaalimaailmaan
Alfagenomin välitön vaikutus tuntee tutkijat, jotka pyrkivät ymmärtämään taudin geneettisiä juuria. Caleb Lareau, Memorial Sloan Kettering Cancer Centerin laskennallinen biologi, jolla oli varhainen pääsy,selitettyMIT Technology -katsaus, että "tämä järjestelmä ajaa meidät lähemmäksi hyvää ensimmäistä arvausta siitä, mitä mikä tahansa variantti tekee, kun tarkkailemme sitä ihmisessä." Tämä voi olla erityisen hyödyllinen harvinaisten syöpien ja geneettisten sairauksien mahdollisten syiden kaventamisessa tunnistamalla nopeasti, mitkä tuhansista muunnelmista ovat toiminnallisesti tärkeitä.
Tämä haaste korostaa Deepmindin työn takana olevaa suurta kunnianhimoa. Aäskettäinen haastattelu, Toimitusjohtaja Demis Hassabis kehitti näkemykseensä "virtuaalisolun" luomisesta, jota hän kuvasi biologian "digitaaliseksi kaksoseksi". Hän selitti, että perimmäinen tavoite on siirtyä yksinkertaisen ennusteen ulkopuolelle täysimittaiseen simulointiin. "Virtuaalisolu on yksi suurimmista haasteista. Kyse on siirtymisestä ennustamisesta todelliseen ymmärrykseen ja simulointiin. Kuvittele, että pystyt mallintamaan solun koko elinkaaren, ottamaan mutaation ja seuraamaan mitä tapahtuu. Se on unelma, joka ajaa meidät."
