Google DeepMind opublikował AlphaGenome 2, model DNA przewidujący efekty wariantów genetycznych w specyficznych typach komórek. Na razie dostępny jest wyłącznie przez API i tylko do badań niekomercyjnych.
AlphaGenome 2 to warunkowy model sekwencja-do-funkcji: odczytuje okno DNA o długości 1 Mb (1 048 576 par zasad, ludzkich lub mysich) oraz docelowy stan komórkowy. Jego poprzednik, AlphaGenome 1, generował przewidywania uśrednione dla całych tkanek. Nowy model rozróżnia bliskie typy komórek i dostosowuje się do zestawów danych z pojedynczych komórek (single-cell) bez dodatkowego dostrajania, zwanego fine-tuning.
Architektura warunkowana stanem komórkowym
Model łączy enkoder konwolucyjny, transformator z 11 blokami i dekoder w strukturze typu U-Net. W przeciwieństwie do AlphaGenome 1, który przewidywał równolegle dla stałego katalogu tysięcy ścieżek, AlphaGenome 2 generuje swoje wyjścia dla jednego warunku na każde wywołanie. Warunkiem tym jest wektor o 256 wymiarach, który moduluje aktywacje sieci. Według DeepMind, warunkowanie enkodera i transformatora odpowiada za większość zysku, ponieważ samo warunkowanie dekodera lub warstw wyjściowych przynosi jedynie minimalne postępy.
Trening przebiega w czterech etapach: pre-trening na danych masowych i 3 977 ścieżkach z pojedynczych komórek z 36 badań, dostrojenie samych wektorów warunków, destylacja 8 modeli « nauczycieli » w jeden model « uczeń », a następnie post-trening łączący enkoder ekspresji z pojedynczych komórek ze sztywną przestrzenią warunków modelu. Ten enkoder został wytrenowany na ponad 100 milionach profili scRNA-seq człowieka, w dużej mierze pochodzących z CELLxGENE. Badacze mogą dostarczać surowe dane zliczeń i otrzymywać wektor warunku, przy czym dokumentacja dopuszcza do 256 komórek na wywołanie. Do treningu użyto 2 048 układów TPU v4, a wagi modelu zostaną opublikowane dopiero wraz z ostateczną publikacją.
Wyniki zgłoszone przez DeepMind
W tkankach z GTEx mediana korelacji Pearsona dla zmienności ekspresji między tkankami wzrosła z 0,61 do 0,71. W obrębie tkanek wariancja ekspresji wyjaśniona przez typ komórki wzrosła z 23% do 34% w scRNA-seq. Główny wynik dotyczy eQTL z pojedynczych komórek z TenK10K, obejmujących 28 typów komórek immunologicznych: przy precyzji 90%, AlphaGenome 2 odzyskuje 30% wariantów przyczynowych, w porównaniu do 16% dla AlphaGenome 1 dostrojonego do tych danych. Czułość (recall) dla kierunku efektu wzrasta z 23% do 43%.
Na danych CRISPRi zachowanych do oceny, AUPRC dla powiązań enhancer-gen osiąga 0,78, w porównaniu do 0,73 dla AlphaGenome 1 i 0,61 dla zespołu modeli Borzoi. Różnica jest najbardziej widoczna dla enhancerów znajdujących się między 100 a 2 500 kb, z wynikiem 0,62 przeciwko 0,48. Na kohorcie Parkinsona niewidzianej podczas treningu, model osiąga czułość 41%, w porównaniu do 17% dla modelu Scooby dostrojonego do tej kohorty. Liczby te pochodzą z oceny DeepMind, która odnotowuje również ograniczenia: poza dostępną chromatyną, AUROC dla przewidywania znaku nie przekracza 0,63.
Dostęp i zasoby
Samouczki Colab są dostępne przez API, a klucz API jest darmowy do użytku niekomercyjnego. Badania komercyjne są w dostępie prywatnym. Model jest dostępny w pakiecie Python alphagenome, pod alphagenome.models.v2. DeepMind opublikował również pre-obliczone atlasy: jeden obejmuje powiązania enhancer-gen dla 640 warunków komórek pierwotnych, drugi ocenia około 7 milionów powszechnych wariantów i GWAS dla 510 warunków.
