فراتر از خبر،نزدیک‌تر به حقیقت
قیمت‌ها
عکس واقعی و آرشیوی از توالی‌یابی DNA، NCI/NIH، مالکیت عمومی؛ برش ۱۶:۹، تصویر فناوری AlphaGenome نیست.
فناوری

گوگل DeepMind مدل AlphaGenome 2 را معرفی کرد؛ پیش‌بینی اثر تغییرات DNA در صدها نوع سلول

DeepMind در ۱۱ نوامبر ۲۰۲۶ AlphaGenome 2 را معرفی کرد؛ مدلی پژوهشی برای پیش‌بینی اثر تغییرات توالی DNA در انواع سلول‌ها. دسترسی غیرتجاری از طریق API ارائه شده و کاربرد بالینی هنوز مجاز نیست.

نسیم اکبری ۴ دقیقه مطالعه ۱۶ نوامبر ۲۰۲۶

DeepMind در ۱۱ نوامبر ۲۰۲۶ AlphaGenome 2 را معرفی کرد؛ مدلی پژوهشی برای پیش‌بینی اثر تغییرات توالی DNA در انواع سلول‌ها. دسترسی غیرتجاری از طریق API ارائه شده و کاربرد بالینی هنوز مجاز نیست.

آنچه باید بدانیم

گوگل دیپ‌مایند در ۱۱ نوامبر ۲۰۲۶ مدل AlphaGenome 2 را برای پژوهش درباره اثر توالی DNA بر فعالیت ژن‌ها معرفی کرد. به گفته شرکت، مدل می‌تواند پیش‌بینی کند تغییرات ژنتیکی در شرایط سلولی مختلف چه اثری می‌گذارند. دسترسی برای پژوهش غیرتجاری از طریق AlphaGenome API ارائه شده و استفاده تجاری در مرحله پیش‌نمایش خصوصی است. سازنده صریحاً گفته این ابزار برای تشخیص یا کاربرد بالینی تأیید نشده است.

مسئله علمی چیست؟

تقریباً همه سلول‌های یک فرد اطلاعات ژنتیکی یکسانی دارند، اما سلول قلب، سلول عصبی و سلول ایمنی بخش‌های متفاوتی از ژنوم را فعال می‌کنند. فهم اینکه یک تغییر کوچک در DNA در کدام سلول و با چه شدتی بر بیان ژن اثر می‌گذارد از پرسش‌های دشوار ژنتیک است. آزمایش مستقیم همه تغییرات در همه انواع سلول هزینه و زمان بسیار زیادی می‌خواهد. مدل محاسباتی می‌تواند به اولویت‌بندی فرضیه‌های آزمایشگاهی کمک کند.

تفاوت با نسل اول

نسل اول AlphaGenome یک توالی حدود یک میلیون حرف DNA را دریافت و خروجی‌های فراوانی را برای مجموعه‌ای از بافت‌ها و آزمایش‌ها هم‌زمان پیش‌بینی می‌کرد. AlphaGenome 2 طراحی شرطی دارد و یک نوع سلول یا حالت زیستی مشخص را به‌عنوان ورودی جداگانه دریافت می‌کند. به این ترتیب مدل می‌تواند اثر همان توالی را در یک بافت هدف با جزئیات بیشتر پیش‌بینی کند. این تغییر معماری مهم‌ترین تفاوت معرفی‌شده در اعلامیه رسمی است.

داده‌های آموزشی

دیپ‌مایند اعلام کرده مدل جدید با بیش از ۱۰۰ میلیون پروفایل تک‌سلولی در ۶۸ بافت آموزش دیده است. تعداد زیاد پروفایل به مدل امکان می‌دهد الگوهای متفاوت فعالیت ژن‌ها را بیاموزد؛ اما حجم داده به‌تنهایی به معنی نبود سوگیری یا دقت یکسان برای همه جمعیت‌ها و بیماری‌ها نیست. کیفیت نمونه‌ها، ترکیب داده‌ها و اعتبارسنجی مستقل بر قابلیت تعمیم نتیجه تأثیر دارند.

نتیجه ارزیابی درباره واریانت‌ها

طبق نتایج اعلام‌شده شرکت، AlphaGenome 2 در شناسایی تغییرات ژنتیکی مؤثر بر بیان ژن نزدیک به دو برابر بهتر از مدل پیشین عمل می‌کند. این توصیف به یک معیار آزمایشگاهی و بنچمارک مشخص تعلق دارد و نباید به معنی دو برابرشدن دقت هر نوع تشخیص پزشکی تعبیر شود. برای داوری باید مجموعه آزمون، معیار آماری، میزان خطا و نتایج آزمایش‌های مستقل نیز بررسی شوند.

ورودی شرطی چگونه انتخاب می‌شود؟

پژوهشگر می‌تواند نوع سلول یا بافت مورد نظر را از فهرست مرجع انتخاب کند یا با استفاده از داده آزمایش تک‌سلولی خود یک توصیف سلولی برای مدل بسازد. AlphaGenome 2 سپس توالی DNA را در زمینه همان وضعیت سلولی تحلیل می‌کند. چنین رویکردی برای مطالعه بیماری‌هایی که فقط بعضی سلول‌ها را درگیر می‌کنند جذاب است؛ اما همه انواع سلول در شرایط واقعی آزمایشگاهی دقیقاً مشابه داده آموزشی نیستند.

پیش‌بینی داده اندازه‌گیری‌نشده

مدل علاوه بر پیش‌بینی اثر تغییرات توالی، قابلیتی برای برآورد ویژگی‌های اندازه‌گیری‌نشده سلول دارد. مثلاً اگر فقط فعالیت ژن‌ها در یک آزمایش ثبت شده باشد، مدل می‌تواند ویژگی‌هایی مانند دسترس‌پذیری کروماتین را تخمین بزند. این خروجی‌ها داده تجربی تولیدشده در آزمایشگاه نیستند، بلکه پیش‌بینی محاسباتی‌اند. هر نتیجه مهم باید با روش تجربی مناسب اعتبارسنجی شود.

چه کاربردهایی محتمل است؟

دانشمندان می‌توانند از مدل برای اولویت‌بندی واریانت‌های ژنتیکی مرتبط با بیماری، بررسی مسیرهای تنظیم ژن و طراحی آزمایش‌های تکمیلی استفاده کنند. برخی تغییرات ژنتیکی در بخش‌های غیرکدکننده DNA قرار دارند و شناسایی اثر آن‌ها دشوار است. پیش‌بینی در بافت خاص می‌تواند به فهم این مناطق کمک کند. با این حال کشف رابطه آماری، اثبات علت بیماری یا طراحی درمان مؤثر نیست و مراحل پژوهشی جداگانه می‌طلبد.

دسترسی عمومی و محدودیت‌ها

نسخه معرفی‌شده از طریق API برای پژوهش‌های غیرتجاری در دسترس است و محققان تجاری می‌توانند برای پیش‌نمایش خصوصی درخواست دهند. این تفاوت دسترسی باید در پوشش خبری روشن باشد. همچنین مدل و آموزش‌های Colab برای پژوهشگران ارائه شده‌اند. نبود تأیید بالینی یعنی نباید خروجی را مبنای تصمیم درباره درمان شخصی، آزمایش ژنتیک تجاری یا مشاوره پزشکی قرار داد.

چالش حریم خصوصی داده‌ها

اطلاعات ژنتیکی افراد می‌تواند حساس باشد و استفاده از سرویس‌های محاسباتی بیرونی نیازمند کنترل مجوز، ناشناس‌سازی مناسب و رعایت مقررات پژوهش است. اطلاعیه معرفی مدل به‌تنهایی نشان نمی‌دهد همه داده‌های ورودی به‌صورت پیش‌فرض برای هر کاربرد سازمانی ایمن هستند. پژوهشگران باید سیاست API، محل پردازش و شرایط استفاده داده انسانی را جداگانه بررسی کنند.

گام‌های بعدی در پژوهش

DeepMind اعلام کرده با مؤسساتی مانند Wellcome Sanger Institute برای بررسی انواع بیشتری از سلول و شرایط زیستی همکاری می‌کند. شرکت همچنین از برنامه افزودن AlphaGenome 2 Skills به پلتفرم Google Antigravity خبر داده است. این برنامه برای آینده اعلام شده و قابلیت هم‌اکنون در همه حساب‌ها فعال نیست. آزمون واقعی ارزش مدل به استفاده مستقل پژوهشگران و مقایسه با نتایج تجربی بستگی دارد.

مرز میان علم و درمان

توسعه ابزارهای پیش‌بینی ژنتیک می‌تواند سرعت تولید فرضیه علمی را بالا ببرد، اما تبدیل پیش‌بینی به ابزار بالینی به آزمایش‌های متعدد، بررسی خطای مدل و تأیید نهادهای مربوط نیاز دارد. اعلامیه رسمی به‌صراحت می‌گوید AlphaGenome 2 هنوز برای استفاده تشخیصی یا بالینی اعتبارسنجی و تصویب نشده است. عنوان خبر نیز به همین دلیل بر «مدل پژوهشی» تأکید دارد، نه معرفی آزمایش پزشکی آماده مصرف.

هم‌رسانی تلگرام ایکس واتس‌اپ

کنجکاوی‌تان را ادامه دهید

سه مطلب تازه از تکنونما؛ از هوش مصنوعی تا گجت‌هایی که فردا در دست شماست.

همه روایت‌های تکنونما