Google DeepMind-ը ներկայացրել է արհեստական բանականության նոր մոդել, որը կարող է պարզել, թե ԴՆԹ-ի փոփոխություններն ինչպես են ազդում տարբեր տեսակի բջիջների վրա։ Այն գիտնականներին հնարավորություն է տալիս ավելի մանրամասն ուսումնասիրել հիվանդությունների գենետիկական պատճառները և գտնել բուժման նոր ուղիներ։
AlphaGenome 2-ը DeepMind-ի նախորդ՝ անցյալ տարի ներկայացված AlphaGenome մոդելի նոր տարբերակն է։ Մարդու մարմնի գրեթե բոլոր բջիջներն ունեն նույն ԴՆԹ-ն, սակայն տարբեր բջիջներում տարբեր գեներ են ակտիվանում կամ անջատվում՝ կախված դրանց տեսակից և վիճակից։ Այդ պատճառով նույն գենետիկական փոփոխությունը սրտամկանի, մաշկի կամ իմունային բջիջների վրա կարող է տարբեր ազդեցություն ունենալ։
Նոր մոդելը կարողանում է կանխատեսել գենետիկական փոփոխությունների ազդեցությունը բջիջների առանձին տեսակների և վիճակների վրա՝ բացահայտելով այնպիսի հետևանքներ, որոնք ավելի ընդհանուր մոդելները կարող են չնկատել։ Այն ուսուցանվել է 68 հյուսվածքի ավելի քան 100 միլիոն առանձին բջջային պրոֆիլների հիման վրա։ DeepMind-ի տվյալներով՝ AlphaGenome 2-ը գրեթե երկու անգամ ավելի շատ գենետիկական տարբերակ է հայտնաբերում, որոնք կարող են փոխել բջիջներում գեների ակտիվությունը, քան նախորդ լավագույն մոդելը։
Մոդելը կարողանում է կանխատեսումներ անել նաև այնպիսի բջիջների տեսակների և կենսաբանական վիճակների համար, որոնց տվյալներով նախկինում չի ուսուցանվել։ Այն նաև բացահայտում է փորձարարական տվյալների բացերը՝ օգնելով գիտնականներին որոշել, թե լաբորատորիայում ինչն է պետք ուսումնասիրել։
Նախագծի մասնակից, Google DeepMind-ի հետազոտող Ադամ Գայոսոյի խոսքով՝ մոդելի հիմնական ձեռքբերումը մարդկային գենետիկան բջջային կենսաբանության հետ կապելն է։ Իսկ ընկերության գենոմիկայի ուղղության ղեկավար Ժիգա Ավսեցը նշել է, որ նման ճշգրտությունը կարևոր է հիվանդությունների բուժման համար, քանի որ դեղերը սովորաբար ուղղված են կոնկրետ սպիտակուցների և բջիջների տեսակների դեմ։
Այս մոդելի նշանակությունը միայն այն չէ, որ այն ավելի շատ գենետիկական փոփոխություններ է հայտնաբերում։ Գիտնականների համար նույնքան կարևոր է հասկանալը, թե այդ փոփոխություններն ինչ են անում կոնկրետ բջիջներում, քանի որ հիվանդության առաջացման մեխանիզմը միշտ չէ, որ հնարավոր է բացատրել միայն ԴՆԹ-ի ընդհանուր պատկերը դիտարկելով։ Հենց այս տարբերակումը կարող է հետագայում օգնել ավելի նպատակային բուժումներ մշակելիս։
Սակայն այստեղ կա նաև գործնական սահմանափակում։ Ավելի ճշգրիտ կանխատեսումները մեծ հաշվարկային ռեսուրսներ են պահանջում, ուստի մոդելը դեռ չի կարող փոխարինել նախորդ գործիքներին բոլոր հետազոտություններում։ Դրա արդյունավետությունը կախված է նաև այն տվյալներից, որոնցով այն ուսուցանվում է։ Եթե DeepMind-ին հաջողվի լրացնել այսօր առկա տվյալների բացերը և ընդլայնել ուսումնասիրությունները տարբեր տեսակների վրա, AlphaGenome-ի նման համակարգերը կարող են ավելի մեծ դեր ունենալ կենսաբանության մեջ։ Մինչ այդ դրանց արդյունքները պետք է դիտարկել որպես հետազոտական գործիք, ոչ թե հիվանդությունների ախտորոշման կամ բուժման պատրաստ լուծում։
