11 ноября 2026 года Google DeepMind официально представила AlphaGenome 2 — модель искусственного интеллекта, которая предсказывает, как изменения в ДНК влияют на работу конкретных типов клеток. В отличие от предшественника, который усреднял данные по целым тканям, новая версия работает с одним типом клетки или состоянием за раз. На бенчмарке TenK10K она находит 30 % причинных вариантов против 16 % у доработанной первой версии и правильно определяет направление эффекта в 43 % случаев против 23 %. Модель уже доступна для некоммерческих исследователей через API, а коммерческий доступ открыт в закрытом предварительном просмотре. Это не ещё один инструмент для геномики — это способ связать карты клеток человеческого тела с генетическими ассоциациями болезней.
Почему один и тот же ДНК работает по-разному в разных клетках
Каждая клетка человеческого тела несёт один и тот же геном. При этом клетка сердечной мышцы, иммунная клетка в момент инфекции и нейрон мозга включают совершенно разные наборы генов. Большинство вариантов ДНК, связанных с болезнями, лежит не внутри самих генов, а в регуляторных участках — своеобразных переключателях. Один и тот же переключатель может сильно влиять на ген в макрофагах кишечника и почти не действовать в других клетках. Первая версия AlphaGenome предсказывала усреднённые значения по тканям и клеточным линиям сразу. Это было удобно для массовых расчётов, но смазывало различия между близкими типами клеток. В AlphaGenome 2 архитектуру перестроили: теперь модель получает миллион букв ДНК и конкретное биологическое состояние, а затем выдаёт прогноз именно для него. Это позволяет ловить эффекты, которые проявляются только в определённых клетках.
На чём обучена модель и что она предсказывает
AlphaGenome 2 обучили на более чем 107 миллионах профилей отдельных клеток из 68 тканей человека и мыши. В обучение вошли как объёмные данные по тканям, так и одиночные карты. Модель предсказывает экспрессию генов, доступность хроматина, модификации гистонов, сплайсинг и — впервые для этой линейки — метилирование ДНК. Она умеет адаптироваться к новым экспериментам без переобучения: исследователь загружает данные одиночной РНК-секвенирования из нескольких десятков клеток, и модель строит представление этого состояния. По словам Сары Тейхманн, соосновательницы Human Cell Atlas, именно эта способность адаптации без переобучения делает модель особенно полезной. Она может работать с состояниями, которые возникают при болезни или после вакцинации, даже если таких данных не было в обучающей выборке.
Результаты на бенчмарке TenK10K и другие проверки
Главный бенчмарк — набор данных TenK10K, крупная карта 28 первичных иммунных клеток. При пороге точности 90 % AlphaGenome 2 находит 30 % причинных вариантов экспрессии против 16 % у доработанной на одиночных данных первой версии. Правильное направление эффекта (ген усиливается или ослабляется) она определяет в 43 % случаев против 23 %. На данных GTEx средняя корреляция изменений экспрессии между тканями выросла с 0,61 до 0,71. Внутри тканей модель лучше объясняет различия между типами клеток. На проверенных экспериментами связях энхансер–ген она превзошла и первую версию, и ансамбль Borzoi. В одном из примеров модель воспроизвела известный результат: вариант, усиливающий ген ETS2 в кишечных макрофагах и связанный с воспалительными заболеваниями кишечника, был выделен как причинный, а другие клетки почти не затронулись.
Как модель работает с новыми состояниями клеток
Одно из самых практичных свойств — способность обобщать на данные, которых она никогда не видела. В эксперименте с мРНК-вакциной от COVID-19 модель отличила активированные Т-клетки от покоящихся и показала, что вариант, связанный с тяжёлым течением болезни, сильнее влияет на гены именно в активированном состоянии. Без учёта состояния этот эффект был бы пропущен. Модель также умеет достраивать недостающие измерения: если есть только экспрессия генов, она может предсказать доступность хроматина и другие свойства. Это помогает решать, какие эксперименты в лаборатории стоит проводить в первую очередь. Для фармацевтических компаний это значит более быстрый переход от сигнала GWAS к конкретной клетке и гену-мишени.
Связь между генетикой и биологией клеток
DeepMind заранее посчитал предсказания для миллионов вариантов, связанных с признаками и болезнями, в сотнях условий. Это снижает порог для команд, у которых нет огромных вычислительных мощностей. Модель помогает находить связи энхансер–ген в первичных клетках человека, а не только в лабораторных линиях. По словам Питера Доннелли, главы Genomics Limited, переход от сигнала ассоциации к тому, что нужно для лекарственной программы, остаётся сложным, но модели вроде AlphaGenome 2 существенно улучшают этот процесс. Адам Гейосо из DeepMind называет главным прорывом связь человеческой генетики с биологией конкретных клеток. Модель не предназначена для клинической диагностики и не прошла соответствующую валидацию — это исследовательский инструмент.
Кому доступна модель и что будет дальше
Сегодня AlphaGenome 2 доступна через AlphaGenome API для некоммерческих исследований. Есть интерактивные учебные материалы в Colab. Коммерческие организации могут получить доступ в рамках закрытого предварительного просмотра. Вскоре планируется выпуск AlphaGenome 2 Skills в платформе Google Antigravity. Команда DeepMind продолжает сотрудничество с Wellcome Sanger Institute и другими группами, чтобы охватить больше типов клеток, стадий развития и состояний, вызванных внешними воздействиями. Авторы приглашают исследователей делиться интересными случаями использования до 30 ноября. Отобранные проекты могут получить дополнительные квоты. Модель уже интегрирована в планы платформы Genomics Mystra.
Выход AlphaGenome 2 показывает, как быстро модели последовательности к функции становятся инструментами для ежедневной работы генетиков и биологов клеток. Точность всё ещё далека от идеальной, но скачок почти в два раза на ключевом бенчмарке уже меняет то, какие варианты исследователи будут проверять в первую очередь. В ближайшие месяцы станет видно, насколько это ускорит поиск новых мишеней для лекарств и понимание того, как один и тот же геном создаёт такое разнообразие клеток.
Оставить комментарий
Для того чтобы оставить комментарий, необходимо авторизоваться.