Современная генетика долго жила внутри странного противоречия. Лабораторные секвенаторы давно научились за считаные часы прочитывать всю цепочку ДНК человека и находить в ней мельчайшие однобуквенные опечатки. Но когда пациент с хроническим заболеванием получает такой отчёт, большинство найденных замен оказывается за пределами белковых генов — в «тёмных» регуляторных зонах, где генетики годами не могут понять, какой ген страдает от мутации и в каком органе она срабатывает.
Исследователи Google DeepMind решили убрать это слепое пятно и 11 ноября представили модель AlphaGenome 2, которую разобрал аналитик Джулиан Голди. Вместо общей оценки опасности мутации для организма нейросеть спускается на уровень отдельных клеток: она моделирует трёхмерную регуляторную структуру ДНК и за секунды показывает, в каком именно типе клеток замена одной буквы вызовет сбой.
Переключатели и регуляторы громкости: что скрывают некодирующие участки ДНК
Представь геном человека как инструкцию из 3 миллиардов пар оснований — «букв» ДНК. Лишь около 2% этого текста — чертежи для сборки белков, где поломки уже отслеживает модель AlphaMissense.
Остальные 98% ДНК белков не кодируют. Раньше их называли «мусорной ДНК», пока полногеномные исследования ассоциаций (GWAS) не показали, что основная масса связанных с болезнями вариантов прячется именно там. Эта зона работает как микшерный пульт с тумблерами и ручками громкости — промоторами, энхансерами и сайленсерами. Они командуют генами, когда включиться и с какой силой работать в конкретной ткани. Сломанный тумблер может лежать за сотни тысяч букв от гена, дотягиваться до него через трёхмерную укладку ДНК (хроматина) в ядре и ломать клетку без царапин в самом белковом рецепте.
От смузи в блендере к разрешению в одну клетку: как устроена AlphaGenome 2
Первая версия AlphaGenome и модель Enformer опирались на усреднённые анализы целых образцов ткани (bulk tissue). Поиск клеточной поломки по куску ткани напоминает смузи: ты бросаешь в блендер горсть ягод, пробуешь коктейль и пытаешься угадать, какая одна ягодка оказалась кислой. Если мутация бьёт только по редкой группе клеток, «блендер» смывает сигнал.
Меня в отчёте DeepMind зацепило, как инженеры обошли эту ловушку. AlphaGenome 2 обучили на 100 миллионах профилей отдельных клеток из 68 тканей человека и мыши. Условная архитектура (conditional architecture) изучает каждую клетку отдельно:
- ты подаёшь участок ДНК до 1 миллиона букв и задаёшь условие — ткань, тип и состояние клетки;
- сеть предсказывает активность генов, доступность хроматина (
ATAC-seq), метки гистонов и новое во второй версии метилирование ДНК (о поиске ранних опухолей по этим меткам читай в разборе теста Galleri); - затем меняешь одну букву и повторяешь расчёт, видя клеточный эффект мутации.
Достаточно загрузить снимок (scRNA-seq) нескольких десятков клеток нового типа, и модель на лету адаптирует прогноз без переобучения весов.
Проверка на болезни Крона, петабайтный атлас и честные ограничения модели
В тесте на 28 типах иммунных клеток (когорта TenK10K) AlphaGenome 2 выявила 30% причинных мутаций против 16% у прежних методов, а направление сдвига активности гена угадала в 43% случаев против 23%. На примере воспалительных заболеваний кишечника (болезни Крона) модель на компьютере воспроизвела многолетние лабораторные поиски: в некодирующей ДНК она нашла точечную замену нуклеотида и вычислила, что сбой бьёт именно по эпителиальным клеткам кишечника и кишечным макрофагам, где дефектный переключатель разгоняет ген ETS2, не задевая соседние ткани. А в базе AlphaGenome Atlas (1 петабайт) разработчики уже предрассчитали эффекты всех 9 миллиардов возможных однобуквенных замен.
В каких задачах инструмент незаменим, а куда переносить его нельзя? В науке он отлично ранжирует однонуклеотидные варианты (SNP) и сужает поиск мишеней для редких наследственных патологий (о работе врачей с доказанными поломками посмотри в истории про мутацию PALB2). Учёным бесплатно открыт пакет alphagenome.models.v2 через API и Colab, а для бизнеса работает закрытое превью. Но у системы стоит статус Research Use Only: ставить по ней диагноз пациенту в клинике недопустимо. Каждый прогноз требует проверки в пробирке (in vitro, CRISPR-интерференция), а перестройки хромосом и взаимодействие сотен генов (эпистаз) выходят за пределы точечного анализа.
И всё же переход от вопроса «что меняет мутация в среднем?» к вопросу «что она ломает в конкретной клетке?» бережёт учёным годы слепых проб. За петабайтными картами стоит простая цель: быстрее превращать загадочные недуги в мишени для терапии, возвращая людям здоровье, время и спокойствие за близких.



