Google DeepMindは、特定の細胞種における遺伝子変異の影響を予測するDNAモデル「AlphaGenome 2」を公開した。現時点では、APIを通じてのみ利用可能で、非商業研究に限定されている。
AlphaGenome 2は、条件付きシーケンス-to-ファンクションモデルである。1Mb（1,048,576塩基対、ヒトまたはマウス）のDNAウィンドウと、標的となる細胞状態を読み取る。前身のAlphaGenome 1は、組織全体にわたる平均化された予測を行っていた。新モデルは近縁な細胞種を区別し、追加の調整（ファインチューニング）なしにシングルセル（single-cell）データセットに適応できる。
細胞状態で条件付けされたアーキテクチャ
このモデルは、畳み込みエンコーダー、11ブロックのトランスフォーマー、デコーダーをU-Net型の構造で組み合わせている。数千の固定トラックを並列に予測していたAlphaGenome 1とは異なり、AlphaGenome 2は呼び出しごとに単一の条件に対して出力を生成する。この条件は、ネットワークの活性化を調整する256次元のベクトルである。DeepMindによれば、エンコーダーとトランスフォーマーの条件付けが性能向上の大部分を説明しており、デコーダーまたは出力層のみの条件付けではわずかな改善しかもたらさないという。
トレーニングは4段階で行われる。大量データと36の研究から得られた3,977のシングルセルトラックを用いた事前学習、条件ベクトルのみの調整、8つの「教師」モデルから単一の「生徒」モデルへの蒸留、そしてシングルセル発現エンコーダーをモデルの固定された条件空間に接続する事後学習である。このエンコーダーは、主にCELLxGENEに由来する1億を超えるヒトscRNA-seqプロファイルで学習された。研究者は生のカウントデータを提供し、条件ベクトルを取得できる。ドキュメントでは、呼び出しあたり最大256細胞まで許可されている。トレーニングには2,048個のTPU v4チップが使用され、モデルの重みは最終的な論文発表時まで公開されない。
DeepMindが報告する結果
GTExの組織において、組織間の発現変動のピアソン相関中央値は0.61から0.71に向上した。組織内では、細胞種によって説明される発現の分散が、scRNA-seqで23%から34%に増加した。主な結果は、28種類の免疫細胞をカバーするTenK10KのシングルセルeQTLに関するものである。90%の精度で、AlphaGenome 2は原因変異の30%を同定したのに対し、これらのデータに調整されたAlphaGenome 1では16%であった。効果の方向性に関するリコールは、23%から43%に上昇した。
評価用に確保されたCRISPRiデータでは、エンハンサー-遺伝子リンクのAUPRCは0.78に達し、AlphaGenome 1の0.73、Borzoiモデル群の0.61を上回った。差は、100〜2,500kbに位置するエンハンサーで最も顕著で、0.62対0.48であった。トレーニング中に使用されなかったパーキンソン病コホートでは、このモデルは41%のリコールを達成し、このコホートに調整されたScoobyの17%を上回った。これらの数値はDeepMindの評価によるものであり、限界も指摘されている。アクセシブルクロマチン以外では、符号予測のAUROCは0.63を超えない。
アクセスとリソース
ColabチュートリアルはAPIを通じて利用可能で、非商用利用のためのAPIキーは無料である。商用研究はプライベートアクセスとなる。モデルはPythonパッケージalphagenome内のalphagenome.models.v2として公開されている。DeepMindはまた、事前計算されたアトラスを公開した。一つは640の一次細胞条件におけるエンハンサー-遺伝子リンクをカバーし、もう一つは約700万の一般的な変異とGWASを510の条件でスコアリングする。
