Google’ın AlphaGenome 2’si, DNA değişikliklerinin hücreler üzerindeki etkisini öngörüyor



Özet


Google DeepMind, DNA farklılıklarının hücre bazında gen aktivitesini nasıl etkilediğini öngören yeni yapay zeka modeli AlphaGenome 2'yi yayımladı. Model, seçilen hücre tipine göre bağlam odaklı tahminler yaparak bilim insanlarının hastalık risklerini daha hassas bir şekilde ilişkilendirmesini ve deney önceliklerini belirlemesini sağlıyor. TenK10K veri seti üzerindeki testlerde gen aktivitesini değiştiren varyantların yüzde 30'unu tespit eden model, önceki sürüme kıyasla önemli bir performans artışı gösterdi. DeepMind, modelin aşı araştırmalarında ve iltihaplı bağırsak hastalığı gibi durumlarda mekanizmaları doğrulayarak insan genetiği ile hücre biyolojisini birbirine bağlama potansiyeline sahip olduğunu vurguluyor.



Google DeepMind, 11 Kasım'da AlphaGenome 2 adlı yapay zeka modelini yayınladı. Bu model, küçük DNA farklılıklarının belirli hücre tiplerinde gen aktivitesini nasıl etkilediğini öngörüyor. The Rundown'da yer alan habere göre bu gelişme, araştırmacıların hastalık risklerini ilgili hücrelerle ilişkilendirmelerine ve hangi deneylere öncelik vereceklerine karar vermelerine yardımcı olabilir.

DeepMind’dan Adam Gayoso, The Verge’e verdiği röportajda bunu “insan genetiğini hücre biyolojisiyle bağlamak” olarak tanımladı. Modelin erişimi, ticari olmayan araştırmalar için AlphaGenome API üzerinden mümkünken, ticari araştırmalar özel ön izleme aşamasında bulunuyor.

Model detayı nasıl artırıyor?

AlphaGenome 2, girdi olarak seçilen bir hücre tipini veya durumunu alıyor; böylece bağlam tahminleri şekillendiriyor. Bu sayede bilim insanları, bir DNA değişikliğinin farklı hücreleri ya da aynı hücre tipinin farklı koşullar altındaki etkilerini daha hassas biçimde görebiliyor.

DeepMind’ın açıklamasına göre, TenK10K veri setinden alınan 28 primer bağışıklık hücresi türü üzerinde yapılan testte AlphaGenome 2, gen aktivitesini değiştiren DNA varyantlarının %30’unu tespit etti. Bireysel hücre verileriyle ek eğitim alan önceki model ise bu oranda %16’da kalmıştı.

DeepMind’a göre laboratuvarlar, modeli yeniden eğitmeden onlarca hücreden elde edilen gen aktivitesi ölçümlerini de modele girebiliyor. Şirketin aşı örneğinde AlphaGenome 2, aktif T hücrelerinde bir DNA varyantının, dinlenmedeki T hücrelerine kıyasla daha güçlü bir etki yarattığını öngördü.

DeepMind ayrıca modelin, Haziran 2024’te yayımlanan bir çalışmada iltihaplı bağırsak hastalığına dair deneysel bulguyu doğruladığını belirtiyor. Model, bağırsak bağışıklık hücrelerinde iltihapla ilişkili ETS2 geninin aktivitesini artıran bir DNA değişikliğini saptadı. Önceki araştırma ise mekanizmayı makrofajlar (bir tür bağışıklık hücresi) üzerinden izlemişti.

Neden önemli?

Bilim insanları, tip 2 diyabet gibi hastalıklarla ilişkili çok sayıda DNA farklılığı belirledi. Ancak bu bağlantıları tedaviye dönüştürmek için araştırmacıların, söz konusu değişikliklerin hücre içinde ne işe yaradığını anlaması gerekiyor. Genomics CEO’su Peter Donnelly’nin açıklamasına göre ilaç ekipleri; sorumlu geni, ilgili hücreleri ve gen aktivitesinin artırılıp azaltılmasının fayda sağlayıp sağlamayacağını tespit etmek zorunda.

AlphaGenome 2, laboratuvarların hangi deneylere öncelik vereceğine karar vermesine yardımcı olabilir. Bir DNA varyantının belirli bir hücre tipindeki bir gene bağlandığına dair tahminler; araştırmacıların hangi DNA parçasını değiştireceklerini, hangi hücreleri test edeceklerini ve hangi genin aktivitesini ölçeceklerini yönlendirebilir. Yine de öngörülen etkinin hastalık riskiyle ilişkilendirilmesi ve laboratuvar ortamında doğrulanması gerekecektir.

Hangi hücrelerin önemli olduğunu bilmek, araştırmacıların daha seçici bir tedavi tasarlamasına da katkı sağlayabilir. 2024’teki ETS2 çalışmasında, MEK inhibitörü adı verilen ilaçlar insan makrofajlarında ve iltihaplı bağırsak hastalığı olan kişilerden alınan kültür örneklerinde iltihabı azalttı. Araştırmacılar, diğer dokulardaki yan etkilere dikkat çekerek, toksisiteyi azaltmak için tedavinin özellikle makrofajlara yönlendirilmesini önerdi.

Artan detay düzeyi, bir ödünleşimi de beraberinde getiriyor. DeepMind’dan Žiga Avsec, The Verge’e yaptığı açıklamada tahminlerin hesaplanma maliyetinin arttığını belirtti. Araştırmacılar, hangi soruların bu ek detayı gerektirdiğine kendileri karar vermek durumunda.