AlphaGenome: карта последствий каждой замены буквы в ДНК

В геноме человека около 3 миллиардов пар оснований, и заменить можно любую из них на одну из трёх других букв. Это примерно 9 миллиардов возможных однонуклеотидных вариантов, и для подавляющего большинства из них никто не знает, что именно они меняют в работе клетки. DeepMind в 2025 году представила AlphaGenome — модель, которая берёт на вход последовательность ДНК длиной до 1 миллиона пар оснований и предсказывает сразу десятки молекулярных свойств: экспрессию генов, сайты сплайсинга, доступность хроматина и другие сигналы. Идея в том, чтобы прогонять через неё варианты и получать численную оценку эффекта каждой замены.

Что именно предсказывает модель

AlphaGenome работает не как классификатор «патогенно / безопасно», а как предсказатель молекулярных дорожек (tracks) — экспериментальных измерений, которые обычно получают в лаборатории на дорогом оборудовании. По одному входному отрезку ДНК модель выдаёт прогноз сразу по многим таким измерениям с разрешением до отдельного основания.

Среди типов сигналов, которые заявляет DeepMind:

• Экспрессия генов — сколько РНК транскрибируется с участка;
• Сплайсинг — где вырезаются интроны и сшиваются экзоны^*;
• Доступность хроматина — насколько ДНК «открыта» для считывания;
• Связывание транскрипционных факторов — регуляторные площадки;
• Контакты в трёхмерной структуре генома.

^* Сплайсинг — процесс, при котором из первичной РНК удаляются некодирующие участки (интроны), а оставшиеся (экзоны) соединяются. Ошибка в сплайсинге может полностью сломать белок, даже если сама «буква» стоит в некодирующей области.

Ключевой сценарий использования — вариант-эффект скоринг. Вы подаёте на вход исходную последовательность и её версию с одной заменой, модель считает предсказания для обеих, а разница между ними и есть оценка того, как мутация влияет на конкретное молекулярное свойство.

Зачем это нужно

Большинство вариантов, которые находят при секвенировании пациентов, попадают в категорию VUS — variant of uncertain significance, вариант неясного значения. Врач видит мутацию, но не может сказать, связана ли она с болезнью. Особенно тяжело с некодирующими участками: раньше внимание в основном уделяли изменениям внутри генов, кодирующих белок, а это лишь около 1–2% генома. Регуляторные области, которые управляют тем, когда и насколько сильно включается ген, оставались во многом чёрным ящиком.

Модель не ставит диагноз. Она даёт гипотезу о том, что мутация делает с молекулой — а связать это с болезнью и решениями всё равно должен исследователь.

Практическая ценность в том, что прогон варианта через модель занимает секунды, а лабораторный эксперимент по проверке того же эффекта — недели и деньги. Модель не заменяет эксперимент, но помогает расставить приоритеты: какие из тысяч кандидатов стоит проверять первыми.

Чем это отличается от предыдущих подходов

У DeepMind уже был Enformer — модель для предсказания экспрессии по последовательности, и AlphaMissense, оценивающий патогенность аминокислотных замен в белках. AlphaGenome отличается тем, что объединяет длинный контекст (до 1 млн пар оснований на вход) с высоким разрешением на выходе и покрывает сразу несколько типов регуляторных сигналов в одной модели.

Точные метрики качества по каждой задаче DeepMind приводит в сопроводительной публикации — сверяйтесь с ней, а не с общими формулировками про «превосходит предыдущие модели»: результат сильно зависит от типа сигнала и ткани.

Как получить доступ

На момент запуска DeepMind открыла AlphaGenome через API для некоммерческих исследований. Порядок примерно такой:

1. Зайти на страницу проекта AlphaGenome в разделе Google DeepMind и найти условия доступа к API.
2. Оформить некоммерческий доступ — модель предоставляется для исследовательских задач, коммерческое применение оговаривается отдельно.
3. Подать последовательность и получить предсказания по нужным дорожкам через клиент или запрос к API.

Актуальные условия лицензии, лимиты запросов и возможность локального запуска уточняйте на официальной странице — эти параметры у DeepMind меняются, и фиксировать их как вечную истину смысла нет.

Где проходят границы

Соблазн относиться к таким моделям как к оракулу велик, но у AlphaGenome есть жёсткие ограничения, о которых стоит помнить.

• Это не медицинский инструмент. Предсказание молекулярного эффекта — не то же самое, что предсказание болезни у конкретного человека.
• Модель предсказывает измеримые сигналы, а не биологический смысл. Она не «понимает» болезнь — она аппроксимирует то, что показали бы эксперименты, на которых её обучали.
• Смещение обучающих данных. Качество прогноза выше для тканей и типов сигналов, которых было много в обучении, и ниже для редких.
• Сложные варианты. Модель ориентирована прежде всего на одиночные замены; структурные перестройки и крупные вставки — отдельная и более трудная история.

Цена ошибки здесь не абстрактна. Если исследователь примет предсказание за диагностический вывод и построит на нём клиническое решение без проверки, последствия для пациента будут вполне реальными. Поэтому DeepMind и позиционирует модель как инструмент для генерации гипотез в науке, а не как замену лабораторной валидации.

AlphaGenome — не финальный ответ на вопрос «что делает эта мутация», а очень быстрый способ сузить круг подозреваемых. Для области, где каждая проверка стоит недель работы, это уже много.