Et enkelt bogstav i arvemassen kan være forskellen på en harmløs variation og en ændring, der påvirker, hvordan en celle fungerer. Problemet er mængden: I menneskets genom findes omkring ni milliarder mulige udskiftninger af ét DNA-bogstav, og de kan ikke alle undersøges i laboratoriet. Google DeepMind har derfor beregnet modellens bud på dem på forhånd og samlet resultaterne i AlphaGenome Atlas. Det ændrer først og fremmest arbejdsgangen. Forskere behøver ikke begynde med at sende hver enkelt kandidat gennem AlphaGenome. De kan søge i et færdigt kort, rangere de mest interessante ændringer og bruge laboratorieforsøg på et smallere udvalg. Atlas er dermed et prioriteringsværktøj, ikke en facitliste over sygdom.

Fra enkelt forespørgsel til genomdækkende kort

AlphaGenome-modellen analyserer DNA-sekvenser på op til en million basepar og forudsiger blandt andet ændringer i genaktivitet, splejsning af RNA og kromatin. Den eksisterende API er velegnet til afgrænsede analyser, men ikke til millioner af individuelle forespørgsler. Atlas løser skaleringsproblemet ved at gøre de store beregninger én gang og stille resultaterne til rådighed som et datasæt på omkring én petabyte. For hver variant rummer kortet mange typer molekylære forudsigelser på tværs af flere hundrede menneske- og musevæv samt celletyper. Det omfatter også mere end 2.500 tilbagevendende DNA-motiver, som kan pege på, hvor proteiner binder sig til DNA og regulerer gener.

Ét tal skal gøre sorteringen hurtigere

En central nyhed er AlphaGenome Variant Impact-score, forkortet AVI. Den samler signaler fra AlphaGenome og AlphaMissense i én værdi, så forskere kan sortere varianter efter deres forventede betydning. Samtidig viser systemet, hvilke biologiske egenskaber der trækker scoren op eller ned, så rangeringen ikke står helt uden forklaring. Det er vigtigt, fordi størstedelen af arvemassen ikke koder direkte for proteiner. Kun cirka to procent gør det; resten rummer blandt andet regulerende områder, hvor sammenhængen mellem en variant og dens effekt ofte er vanskeligere at udlede. AVI er lavet til både kodende og ikke-kodende områder og kan derfor skabe én fælles indgang til to meget forskellige analyseproblemer.

De første forsøg viser både potentiale og behov for kontrol

Google beskriver flere anvendelser hos eksterne forskningspartnere. I arbejdet med en uafklaret sjælden sygdom blev en variant ved genet DNM1 prioriteret, hvorefter laboratorieforsøg understøttede modellens forslag om en fejl i RNA-splejsningen. I en anden analyse af mere end 54.000 deltagere fra UK Biobank fandt en forsker ifølge DeepMind 22 procent flere forbindelser mellem sjældne, ikke-kodende varianter og målte egenskaber, når Atlas blev brugt til at dæmpe den statistiske baggrundsstøj. Resultaterne viser den tiltænkte rolle: AI kan pege på de nåle, som er værd at lede efter, men den kan ikke erstatte den efterfølgende biologiske afprøvning. En høj score er en beregnet hypotese om molekylær virkning, ikke dokumentation for, at en person vil udvikle en sygdom.

Åbent for forskere nu, erhvervsadgang senere

Forskere kan allerede bruge Atlas gennem en webportal og AlphaGenome-API'en. Det gør ressourcen tilgængelig både for biologer, der vil undersøge varianter visuelt, og for forskningsgrupper, der vil indarbejde data i egne analyseforløb. En kommerciel version er annonceret til Google Cloud, men DeepMind angiver endnu ikke en præcis lanceringsdato. Den praktiske gevinst afhænger nu af, om kortet fører til flere testbare og reproducerbare fund uden at skabe falsk sikkerhed. Ni milliarder forudsigelser gør søgefeltet mere overskueligt; de gør ikke menneskets biologi mindre kompleks.

Der er benyttet AI til at skrive denne artikel.