Google DeepMind 11 ноября 2026 года представила AlphaGenome 2 — модель нового поколения для анализа последовательностей ДНК, предсказывающую, как последовательности ДНК и их вариации влияют на конкретные типы клеток человека. По словам компании, модель дает ученым мощный новый инструмент для выявления клеточных механизмов болезней, связывая одноклеточную биологию и генетику человека и прогнозируя, как генетические варианты влияют на сотни типов клеток человека.

Заявление, подготовленное исследователями DeepMind Адамом Гайосо (Adam Gayoso), Наташей Латышевой (Natasha Latysheva), Пушмитом Коли (Pushmeet Kohli) и Жигой Авсеком (Žiga Avsec), опубликовано в блоге Google DeepMind, к нему прилагается технический отчет (PDF).

От общего «чертежа» ДНК к клеточно-специфичной активности генов

Каждая клетка человеческого тела несет один и тот же «чертеж» ДНК, однако каждый тип и состояние клеток — клетка сердечной мышцы или иммунная клетка, борющаяся с инфекцией, — включает и выключает разные гены для выполнения своих функций. Глобальные проекты, такие как Human Cell Atlas, картируют экспрессию генов миллионов клеток, но DeepMind отмечает, что предсказание того, как тонкие вариации ДНК влияют на экспрессию внутри клеток, остается нерешенной задачей — и это ключевой фактор человеческих признаков и болезней.

В прошлом году компания запустила AlphaGenome — модель, предсказывающую, как варианты ДНК влияют на молекулярную активность в масштабе целых тканей; лежащее в ее основе исследование опубликовано в Nature. Позднее инструмент был расширен платформой AlphaGenome Atlas — она содержит предсказания для всех 9 миллиардов возможных одно-буквенных изменений в геноме человека. По данным DeepMind, эти инструменты помогают исследователям расставлять приоритеты и интерпретировать эффекты вариантов, способствуя открытиям в области редких заболеваний, сложных признаков и фундаментальной биологии.

Благодаря переходу от усредненных данных по целым тканям к отдельным типам и состояниям клеток и переработке архитектуры модели AlphaGenome 2, по словам компании, представляет собой качественный скачок в точности предсказания эффектов вариантов. Она позволяет исследователям прогнозировать эффекты вариантов в значимых для болезней клетках, которые упускаются моделями, работающими на уровне целых тканей, а также в состояниях клеток и болезней, с которыми модель ранее не сталкивалась. DeepMind сообщает, что AlphaGenome 2 выявляет почти вдвое больше вариантов, изменяющих экспрессию генов в клетках, по сравнению с предыдущей лучшей моделью компании. Модель обучена более чем на 100 млн отдельных клеточных профилей из 68 тканей, превращая статические клеточные атласы в то, что компания называет предсказательным движком генетики человека.

AlphaGenome 2 на момент анонса доступна для некоммерческих исследований через AlphaGenome API, а для коммерческих исследований — в закрытой превью-версии.

Условная архитектура для конкретных типов клеток

Первая AlphaGenome принимала последовательность ДНК длиной в миллион букв и одновременно предсказывала свойства по тысячам экспериментов из множества тканей. По словам DeepMind, такой параллельный подход, хотя и был эффективным, распылял возможности модели и затруднял улавливание тонких различий между близкородственными типами клеток.

AlphaGenome 2 кардинально меняет подход к работе с типами клеток. Вместо параллельного предсказания это условная модель, предсказывающая эффекты ДНК для одного условия за раз — под условием понимается ткань, тип клеток или состояние. Наряду с миллионнобуквенной последовательностью ДНК модель получает целевое биологическое условие как входной параметр на каждом этапе архитектуры. Условие может быть выбрано из справочного каталога типов клеток или сгенерирована на лету из собственного одноклеточного эксперимента ученого с помощью клеточного энкодера DeepMind. Такая конструкция позволяет модели учиться тому, как один и тот же участок ДНК считывается по-разному в разных типах клеток.

Условный подход также обеспечивает межмодальное вменение — предсказание недостающих экспериментальных данных. Поскольку модель разделяет биологическое состояние клетки и свои выходные данные, ученый, введя всего одно измерение — например, активность генов на одноклеточном уровне, — может получить предсказания для неизмеренных свойств, таких как доступность хроматина. По словам компании, это помогает исследователям расставлять приоритеты в дальнейших экспериментах.

Модель обучена как на агрегированных, так и на одноклеточных данных из образцов человека и мыши, включающих более 107 млн отдельных клеточных профилей. Преодолевая ограничения усреднения по тканям исходной модели, AlphaGenome 2 способна различать активность внутри специализированных клеток — например, отдельных клеток сердечной мышцы или иммунных клеток крови — чтобы помочь выявить важные варианты ДНК, действующие только в конкретных типах клеток. Она предсказывает те же основные экспериментальные показатели функций ДНК, что и оригинальная AlphaGenome, — экспрессию генов, модификации гистонов и доступность хроматина — и дополнительно метилирование ДНК, показатель, который, как отмечает компания, широко запрашивался.

Ключевая особенность AlphaGenome 2, по данным DeepMind, состоит в том, что модель адаптируется к новым одноклеточным данным без переобучения, предсказывая, как варианты ДНК действуют во вновь профилированных состояниях клеток даже по небольшой выборке клеток.

Передовые предсказания по типам клеток и выявление вариантов

DeepMind сообщает, что AlphaGenome 2 значительно лучше предсказывает регуляцию генов в конкретных клетках, помогая исследователям находить значимые для болезней варианты.

Улучшенная специфичность по типам клеток. На участках генома вне обучающих данных модель объясняет значительно больше различий в экспрессии генов между типами клеток внутри одной ткани, отслеживая непрерывные изменения экспрессии — например, при созревании кроветворных стволовых клеток человека в эритроциты и линии иммунных клеток. В анонсе это иллюстрируется тепловой картой экспрессии генов созревающих эритроцитов (гематопоэз), где предсказания AlphaGenome 2 ближе к построчно нормализованным (Z-score) наблюдениям, чем у первой модели, дообученной на одноклеточных данных.

Улучшенное предсказание эффектов вариантов. На наборе данных TenK10K — большой одноклеточной карте 28 основных типов иммунных клеток — AlphaGenome 2 стабильно выявляла почти вдвое больше причинных вариантов (30% против 16%) и направленных эффектов на гены (43% против 23%), чем оригинальная AlphaGenome, дообученная на одноклеточных данных, и другие специализированные инструменты. Такая точность, по словам DeepMind, помогает исследователям находить упущенные ранее варианты-кандидаты для новых открытий.

Точное определение значимых для болезней вариантов. Недавнее знаковое исследование показало, что вариант в отдаленном регуляторном переключателе вызывает воспалительное заболевание кишечника (ВЗК), чрезмерно активируя ген ETS2 в иммунных клетках кишечника (макрофагах). Делая предсказания по различным типам иммунных клеток кишечника, AlphaGenome 2 вычислительно воспроизвела этот вывод: она выделила причинный вариант и показала, что он избирательно усиливает ген ETS2 в макрофагах кишечника, практически не затрагивая другие типы клеток и гены.

Анализ новых типов и состояний клеток без переобучения

AlphaGenome 2 может обобщать на совершенно новые одноклеточные эксперименты без переобучения. Ученые могут загрузить одноклеточный снимок активности генов (RNA-seq) всего нескольких десятков клеток; эта активность генов сжимается в представление состояния клетки, которое используется для настройки модели на незнакомые состояния. По данным DeepMind, AlphaGenome 2 может сравняться с моделями, обученными или дообученными непосредственно на этих наборах данных, или превзойти их.

Это позволяет модели предсказывать эффекты вариантов и регуляцию генов для новых состояний клеток — например, возникающих при болезни или вакцинации. В одном из примеров, получив незнакомые одноклеточные данные из исследования мРНК-вакцины против COVID-19, AlphaGenome 2 отличила активированные вакциной иммунные T-клетки от покоящихся. Модель также выявила, что вариант, связанный с тяжелым течением COVID-19, сильнее нарушает активность генов, когда клетки находятся в активированном состоянии, — эффект, который был бы упущен в неактивированных клетках.

Связывая генетику человека и одноклеточную биологию

DeepMind рассматривает лучшее понимание болезней как связь между генетикой человека и биологией клеток, требующую соединения тысяч вариантов, ассоциированных с признаками и болезнями, выявленных в полногеномных ассоциативных исследованиях (GWAS), с растущими одноклеточными картами организма человека. Чтобы помочь исследователям устанавливать эти связи без выполнения масштабных вычислений самостоятельно, компания предварительно рассчитала предсказания AlphaGenome 2 для вариантов, ассоциированных с признаками, по сотням состояний клеток и тканей человека, решая две главные задачи:

• Картирование связей «энхансер–ген» в реальных типах клеток человека. Многие варианты, связанные с болезнями, находятся в отдаленных регуляторных переключателях — энхансерах, что затрудняет отслеживание их эффектов. Поскольку экспериментальные CRISPR-скрининги в основном используют стабильные лабораторные клеточные линии, у ученых часто нет таких «схем подключения» для конкретных клеток организма. AlphaGenome 2 распространяет картирование «энхансер–ген» на первичные типы клеток человека — например, астроциты мозга, которые поддерживают и защищают нейроны, — помогая исследователям связывать регуляторные варианты с их целевыми генами в тех клетках, где разворачивается болезнь.
• Определение причинных вариантов GWAS и клеток, где они действуют. GWAS указывают на широкие участки ДНК, связанные с болезнью, но исследователи не всегда могут с высокой уверенностью определить точный причинный вариант, целевой ген и тип клеток. По ряду сложных признаков — от роста до диабета 2 типа — предварительно рассчитанные оценки вариантов AlphaGenome 2 помогают определить конкретные варианты и типы клеток, наиболее вероятно вовлеченные в процесс. Когда модель уверена, она также точно предсказывает, усиливает ли вариант активность гена или ослабляет, — важная подсказка, по словам компании, для понимания вклада этого гена в болезнь.

В блоге также приводится заявление, отражающее, почему команды по разработке лекарств следят за моделями предсказания последовательностей ДНК: «Генетика человека — один из самых мощных инструментов разработки лекарств. GWAS занимает в этом центральное место, но перейти от ассоциативного сигнала к тому, что нужно лекарственной программе, сложно. Модели предсказания последовательностей ДНК — важный инструмент для преодоления этого разрыва, и AlphaGenome 2 представляет собой впечатляющий прогресс в этой области. Мы с нетерпением ждем возможности внедрить ее в нашу платформу Mystra».

Взгляд в будущее вместе с научным сообществом

По мере того как ученые картируют организм человека на одноклеточном уровне, DeepMind ожидает, что ИИ-модели будут становиться все более мощными. В рамках текущих коллабораций, в том числе с исследователями Wellcome Sanger Institute, компания работает над профилированием еще более широкого спектра типов клеток человека, линий развития и нарушенных клеточных состояний.

AlphaGenome 2, а также интерактивные руководства Colab по настройке на экспрессию доступны для некоммерческих исследований через AlphaGenome API и в закрытой превью-версии для коммерческих исследований. DeepMind также сообщила, что вскоре выпустит AlphaGenome 2 Skills в Google Antigravity — своей агентной платформе разработки, где специализированные модели вроде AlphaGenome 2 в сочетании с агентными научными инструментами, такими как Gemini 4, призваны помочь ученым ускорить исследования и делать новые открытия.

Компания поблагодарила сообщество доверенных тестировщиков и многих исследователей, помогавших создать обучающие наборы данных. Она пригласила сообщество представить интересные сценарии использования AlphaGenome 2 через форму до 30 ноября; отобранные проекты могут получить дополнительную квоту и кредиты. Предложения по формированию будущей дорожной карты можно оставить в форуме сообщества.

Компания отметила, что AlphaGenome и AlphaGenome 2 предназначены только для исследовательского использования и не были валидированы или одобрены для клинических или диагностических целей: их предсказания призваны направлять научные исследования, а не медицинские решения.

Благодарности

Согласно блогу, основная исследовательская работа была выполнена благодаря вкладу Адама Гайосо (Adam Gayoso), Энн Моттрам (Anne Mottram), Александра Кароллуса (Alexander Karollus), Гвидо Новати (Guido Novati), Павла Дротаря (Pavol Drotár), Джона Рейда (John Reid), Летиции Менг-Папаксантос (Laetitia Meng-Papaxanthos), Адама Косиорека (Adam Kosiorek), Ирини Арванити (Eirini Arvaniti), Винсента Дутордура (Vincent Dutordoir), Сохама Де (Soham De), Тома Уорда (Tom Ward), Лай Хонга Вонга (Lai Hong Wong), Маттео Перино (Matteo Perino), Кайла Тейлора (Kyle Taylor), Джуна Ченга (Jun Cheng), Наташи Латышевой (Natasha Latysheva), Джошуа Пэна (Joshua Pan), Дхаванти Харихаран (Dhavanthi Hariharan), Клэр Байрофт (Clare Bycroft), Лорен Николайсен (Lauren Nicolaisen), Демиса Хассабиса (Demis Hassabis), Пушмита Коли (Pushmeet Kohli) и Жиги Авсека (Žiga Avsec).

DeepMind также поблагодарила за поддержку и отзывы следующих людей: Габриэллу Стэнтон (Gabriella Stanton), Чарли Тейлора (Charlie Taylor), Райну Томас (Raina Thomas), Лукаса Тенорио (Lucas Tenório), Антонио Гарсию (Antonio García), Джозефа Пауэлла (Joseph Powell), Англи Сюэ (Angli Xue), Трюгве Баккена (Trygve Bakken), Нельсона Йохансена (Nelson Johansen), Джуньюэ Цао (Junyue Cao), Цзыю Лу (Ziyu Lu), Якоба Хепкема (Jacob Hepkema), Леопольда Партса (Leopold Parts), Ирину Войнягу (Irina Voineagu), Сурадипа Басу (Souradeep Basu), Михала Зелински (Michal Zielinski), Джеффа Цао (Jeff Cao), Иоанниса Сарропулоса (Ioannis Sarropoulos), Сару Тейхманн (Sarah Teichmann), Аманду Стаффорд (Amanda Stafford) и Элисео Папа (Eliseo Papa). Отдельная благодарность Эви Грей (Evie Gray), Адриане Фернандес Лара (Adriana Fernandez Lara), Алексу Уилкинсу (Alex Wilkins), Даниэль Брин (Danielle Breen), Димпли Виджайкумар (Dimple Vijaykumar), Муинат Абдул (Muinat Abdul), Крису Кваку-Абдуллахи (Chris Kwaku-Abdullahi), Кэтрин Сигер (Kathryn Seager), Райану Смиту (Ryan Smith), Россу Уэсту (Ross West) и Габи Перл (Gaby Pearl) за их вклад в освещение этой работы.