AlphaGenome 2 尝试预测 DNA 变化在特定细胞中的影响

Hannah Fry 说，人类 DNA 测序花了 13 年，但理解这些字母的作用花了更长时间。Google DeepMind 的 AlphaGenome 预测非编码 DNA 在不同组织中的影响；AlphaGenome 2 将这一工作扩展到单独的细胞类型。

AlphaGenome 读取一段 DNA，预测该基因组位置的分子活动，包括单个字母的变化可能带来什么影响。目标是帮助研究人员研究序列和变异，而不是直接从基因组中读出一个人未来的健康状况。

Žiga Avsec 学习物理并接触机器学习后，进入基因组学领域。他的第一个项目是在罕见病患者中寻找变异；理解突变的困难一直留在他的脑海中。Adam Gayoso 原本研究计算机科学和运筹学，部分受到家人患病经历的触动，后来进入单细胞基因组学领域。

基因型是 DNA 的字母序列；表型可以是可见性状，也可以是细胞中基因表达等分子特征。序列与阿尔茨海默病或 2 型糖尿病等复杂结果之间涉及许多环节，因此研究人员关注更接近基因组的分子测量，那里也有更多数据。

有些疾病可以追溯到影响某个特定基因的变异，而复杂疾病则涉及多个基因和环境因素。研究人员提醒，一个变异对应一种疾病的图景并不总是适用。

研究人员将蛋白质比作积木。几乎所有细胞都携带相同的 DNA，但不同细胞执行不同任务，需要不同蛋白质。基因组中约 2% 的部分编码蛋白质；调控性 DNA 有助于决定细胞何时生产蛋白质、生产多少。不同细胞类型会组合使用这些控制机制。

团队最初开发了 Enformer，这是一款与 Calico 合作构建、用于读取 DNA 序列的模型。AlphaFold 2 出现后，他们也研究了蛋白质编码变异：AlphaFold 2 在设计上要对突变保持稳健，因此预测突变影响的效果并不好，但它学到的信息可以经过调整后利用。

AlphaMissense 以 AlphaFold 为基础进行微调，用来预测改变蛋白质的变异可能有害还是良性。研究人员说，这类预测已经有所改进，但模型仍不能解释每一种物理机制，而且蛋白质编码 DNA 只占基因组的一小部分。

回到非编码 DNA 后，团队在 AlphaGenome 中将 Enformer 的 20 万字母输入长度扩展到 100 万，并把预测精度从 128 个碱基对提高到单个碱基对。由于运行模型需要计算资源，他们创建了 Atlas，预先计算约 90 亿种可能的单字母变化。

Atlas 将模型的多项输出与进化保守性等其他信息结合，形成变异影响分数，帮助研究人员为候选变异排序。分数高意味着变异值得关注；它是确定研究优先级的工具，而不是诊断结果。

团队使用大学和实验室收集的公开测量数据训练模型，例如基因表达和 DNA 可及性。这些测量结果与参考基因组对齐；模型不是用个人基因组训练的。它学习参考序列与分子测量值之间的关系，再对发生变化的序列进行预测。

ENCODE 项目和其他研究群体的努力，帮助产生了解读基因组所用的实验数据。Fry 将完成测序的基因组比作一整架尚待读懂的书；人与人之间的差异可以帮助研究人员将变异与性状及罕见病联系起来。

变异影响分数概括了哪些变化可能值得进一步研究。研究人员训练另一个模型时，部分依据是变异在人群中常见还是未被观察到：常见变异通常是良性的，而未被观察到可能意味着有害，也可能只是样本有限。他们说这是一个有噪声的信号，并强调模型仍不完善。

Atlas 是研究工具，不是临床诊断工具。预测可能提示某个变异改变了基因的处理方式，但它只是更大范围调查的一部分。研究人员需要汇集独立线索并进行验证，才能增加信心。

团队让研究未解决罕见病病例的 Broad Institute 研究人员提前使用 Atlas。其中，研究人员 Laura Koval 查看了一名儿童的病例：这名儿童在六周大时确诊癫痫，多年测试仍没有定论。变异排序将一个合理的候选项列在首位；其预测影响与病情和先前文献相符，研究人员随后进行了实验测试。

疑似变异影响了 RNA 剪接，即切割并重新连接 RNA 的过程。研究人员将一段构建的 DNA 插入细胞系，比较有无该变化时产生的 RNA 加工结果。实验支持了预测的剪接影响。

研究人员说，分子诊断可以帮助指导寻找治疗方法，也能为家庭生育规划提供信息。可能的方法包括基于短 RNA 的药物和基因组编辑，但他们强调，从找到变异到开发有效治疗仍有很长的路。

全基因组关联研究比较许多人之间的 DNA 差异，寻找它们与性状的联系，从人们觉得香菜是什么味道到患病风险都可以研究。关联本身不能确定真正起作用的变化，也不能解释其分子影响。

由于一段段 DNA 会一起遗传，某个相关变异可能只是与真正起作用的变异一同传递。计算模型和统计方法可以帮助区分候选项。关联研究通常关注常见变异，对于极罕见疾病则不太适用，因为拥有同一种疾病或变异的人太少。

AlphaGenome 可以系统地预测变异如何影响分子特征，然后查看变化出现的生物学背景。这个背景可能是特定细胞类型或状态，例如对炎症作出反应的免疫细胞。

对于一组与疾病相关的变异，研究人员希望知道哪个变异具有因果作用、它影响哪个基因，以及涉及哪种细胞。早期模型往往预测组织层面混合细胞的测量结果。AlphaGenome 2 利用包括 Human Cell Atlas 在内的单细胞数据，试图在单独的细胞类型层面分辨影响。

源于同一种干细胞的不同细胞类型，可能对相同变异作出不同反应，影响也可能随发育阶段变化。更新后的模型旨在更具体地预测这些差异，而不是将整个组织当作一种混合物。

研究人员举例说，他们考察了一个与炎症性肠病相关的区域，该区域紧邻的位置没有基因。AlphaGenome 2 预测，一个变异会影响 29 万个碱基对外的基因。Crick Institute 的另一项研究曾通过实验支持这一关系；模型回顾性地重现了这一发现。

训练数据并不均衡：血液和免疫细胞更容易采样，可能占比过高。团队说，他们汇集了多种人类和小鼠组织的数据，但罕见细胞状态仍可能难以覆盖。研究人员也可以向 AlphaGenome 2 提供自己的数据，针对特定背景进行预测，而不一定需要微调模型。

Fry 问，计算预测与培养皿中或人体内的实验相比如何。研究人员说，他们的模型不能完整模拟细胞，会漏掉生物学中的例外情况。他们认为大规模生成线索并快速迭代有价值，但实验仍不可或缺。

研究人员将工具描述为高精确率、低召回率：他们说，当模型预测存在强影响时，这种影响通常真实存在，但许多影响会被漏掉。即使预测为阳性，也只是研究通路和疾病的起点，并不意味着已经完成因果解释。

DNA 折叠成缠绕的三维结构，因此线性序列中距离很远的区域也可能相互影响。研究人员报告说，相关 DNA 可及性较高时，模型能较好地预测远处变异；在不易接近的区域表现较差。他们尚不清楚这在多大程度上源于数据缺口或其他生物机制。

研究人员可以通过公开 API 和 Python 包使用 AlphaGenome 系列模型；Atlas 则提供无需编写代码的网站，供人查询变异及预测的分子影响。研究人员还讨论了使用编程智能体调用 API，汇总某个基因组区域的信息。

展望未来，研究人员希望预测每一种变异的分子影响，最终构建虚拟细胞：一种计算系统，能够预测细胞在基因改变、药物或其他干预后如何改变状态。他们强调，距离能够实用地模拟生物过程仍然很远。

研究人员希望，对疾病机制有更好的理解，最终能帮助开发在临床试验中更常成功的药物。Gayoso 说，实现虚拟细胞需要更好的数据和基础设施；他没有给出时间表，并预测通用人工智能会先于虚拟细胞出现。

Fry 认为，将遗传配方与生物结果联系起来是一项艰巨任务，因为生命已经演化了数十亿年。她认为这项工作是迈向精准医疗的一步，最终或许能帮助研究人员在分子层面理解个体疾病。