Каждая клетка нашего организма содержит почти одну и ту же последовательность ДНК. Она, в свою очередь, состоит из участков, кодирующих белки (на них приходится всего 1-2% ДНК), и огромного массива последовательностей, на которые приходится до 98% всего генома. Исторически их называли «мусорными», но в 2000-х после завершения проекта «Геном человека» эти представления начали стремительно меняться.
Стало понятно, что многие из этих участков служат посадочными площадками для регулирующих белков, с других — считывается множество типов вспомогательных (не кодирующих белки) РНК. А также, именно они во многом определяют трехмерную укладку хроматина (комплекса ДНК с белками-гистонами, который формирует основу хромосом). Все эти факторы влияют на то, какие именно гены и в какой момент будут доступны для считывания (транскрипции) и дальнейшего синтеза белка.
Каждый тип клетки имеет свой профиль считывания (экспрессии) генов, т.к. клетке гладкой мускулатуры нужны одни белки для работы, а нейронам — совсем другие. Кроме того, этот профиль может меняться в зависимости от множества самых разнообразных условий — сигналов иммунной системы, гормонального фона, стадии развития клетки, циркадных ритмов, температуры и даже механического воздействия.
Но предсказать, как небольшие различия в ДНК влияют на эту экспрессию, по-прежнему трудно. Именно такие различия лежат часто в основе заболеваний. К примеру, если отдельно взятая мутация, даже не затронув ген напрямую, влияет на активность его считывания, то в клетке может не хватать какого-то белка. И это, в свою очередь, положит начало цепочке патологического процесса.
В прошлом году Google DeepMind запустили модель AlphaGenome, которая позволяет получать на вход последовательность ДНК (до 1 млн. нуклеотидов) и генерировать на выходе усредненные профили экспрессии и регуляторных сигналов для множества видов тканей. Пространственно вычислить все взаимодействия атомов в такой задаче за разумное время практически невозможно. Поэтому, как и в случае предыдущего крупного проекта AlphaFold (где по последовательности аминокислот модель предсказывает пространственную укладку белка), команда DeepMind использовала глубокое обучение, чтобы на огромных учебных массивах модель сама научилась улавливать закономерности.
В сентябре этого года DeepMind запустила также массивную базу данных AlphaGenome Atlas, где заранее с помощью модели AlphaGenome просчитала 9 млрд. однобуквенных мутаций и их влияние на итоговый профиль экспрессии (в ДНК примерно 3 млрд. оснований и 3 варианта их замены, т.к. в «алфавите» всего 4 «буквы»). В одних участках такие мутации могут быть довольно безобидными, а в других привести к серьезным нарушениям. Разумеется, данные на выходе, хоть и показывают высокую точность, в клинически значимых случаях требуют живого экспериментального подтверждения.
AlphaGenome 2
11 ноября Google DeepMind представила новую версию своей модели — AlphaGenome 2. Если первая версия могла давать предсказания только для фиксированного набора тканей и клеточных линий из обучающей выборки, то новую версию обучали уже на базах данных проектов вроде CZ CELLxGENE и Human Cell Atlas, которые составляют профили экспрессии для миллионов отдельно взятых клеток.
Поэтому теперь, подавая на вход последовательность ДНК (так же до 1 млн. оснований), можно задать клеточный контекст, выбрав референсный профиль экспрессии из готовой базы данных или загрузить свой. Выше мы обсуждали, что он может меняться в зависимости от условий. Это позволяет построить предсказание не только для конкретного типа клетки, но и для конкретного ее состояния. К примеру, для лимфоцита, находящегося в режиме воспаления. То есть на выходе мы получим предсказанный профиль экспрессии для этой клетки, но с учетом того варианта геномной последовательности, который мы подали.
Кроме профиля экспрессии, модель выдаёт целую карту регуляторных изменений вдоль всей цепочки ДНК с разрешением до одного нуклеотида — какие участки останутся открытыми для считывания, к каким зонам смогут прикрепиться белки-регуляторы (транскрипционные факторы) и даже как изменится карта контактов нити хроматина в пространстве ядра.
В основе семейства моделей AlphaGenome лежит глубокая нейросеть, построенная по архитектуре U-Net. Она объединяет свёрточные слои (CNN) для поиска коротких локальных паттернов в ДНК и трансформеры для анализа дальних связей на дистанции до миллиона оснований. В первой версии сеть обрабатывала геном без привязки к конкретной клетке — и лишь на самом финальном этапе раскладывала результат по фиксированному списку усреднённых тканей. Важное отличие второй версии заключается в наличии клеточного энкодера (Cell encoder) на входе. Он как раз и переводит данные профиля экспрессии в векторное представление состояния клетки. Таким образом, клеточный контекст влияет на обработку последовательности ДНК внутри всех ключевых слоев сети.
Для исследователей это прежде всего способ быстрее перейти от списка подозрительных вариантов ДНК к проверяемой гипотезе: какой ген затронут, в каких клетках проявляется эффект и что стоит проверить экспериментально. В официальном анонсе есть пример с воспалительным заболеванием кишечника: модель воспроизвела результаты более раннего экспериментального исследования, выделив конкретный вариант в отдаленном регуляторном участке. AlphaGenome 2 точно показала, что эта мутация избирательно усиливает активность гена ETS2 именно в моноцитах и макрофагах, почти не затрагивая другие типы клеток.
Важно, что новая модель не заменяет собой уже упомянутый AlphaGenome Atlas. Прогонять миллионы возможных мутаций через тяжёлую контекстную нейросеть для каждого состояния клетки было бы слишком ресурсоемко. Поэтому на первом этапе исследователь использует базу данных однобуквенных мутаций как готовый справочник для грубого отсева кандидатов, и только потом рассчитывает самые интересные варианты с помощью запросов к AlphaGenome 2 уже на интересующей входной последовательности, которая может включать в себя не только однобуквенные замены, но и более сложные комбинации мутаций.
Вокруг этого другие биологические инструменты DeepMind складываются в целую экосистему анализа генома, моделирования белков и различных видов терапий. AlphaGenome помогает исследовать регуляцию генов, AlphaMissense оценивает потенциальную опасность аминокислотных замен, AlphaFold предсказывает структуры белковых молекул и их взаимодействия, а AlphaProteo проектирует белки, связывающиеся с выбранной мишенью.
Попробовать AlphaGenome 2 уже можно через API для некоммерческих исследований. Код модели и веса первой AlphaGenome были ранее выложены в открытый доступ.
Автор: pavel_smolnikov


