Интерпретация того, как точечные генетические мутации меняют биологию человека, долгое время упиралась в экспериментальный тупик: тестирование девяти миллиардов возможных однонуклеотидных вариантов в лабораториях экономически и логистически невозможно. Чтобы устранить это узкое горлышко в исследованиях и разработках, Google DeepMind запустила AlphaGenome Atlas — платформу с предварительно рассчитанными оценками молекулярного воздействия для всех девяти миллиардов мутаций по всему геному человека. Предоставляя доступ через веб-портал, API и облачную инфраструктуру, DeepMind продолжает укреплять свое конкурентное преимущество на базовом уровне направления «ИИ для науки».
Вычислительный масштаб и архитектура
Итоговый ресурс представляет собой датасет объемом 1 петабайт, что более чем в 30 раз превышает размер базы данных AlphaFold.
«AlphaGenome Atlas — это масштабный датасет объемом 1 петабайт, который более чем в 30 раз превышает базу данных AlphaFold».
Единая оценка вариантов по всему геному
Чтобы превратить петабайты прогнозов некодирующих и кодирующих последовательностей в применимые на практике данные, DeepMind разработала шкалу AlphaGenome Variant Impact (AVI). Эта комплексная метрика объединяет регуляторные геномные прогнозы AlphaGenome с прогнозами миссенс-мутаций на уровне белков от AlphaMissense в единый бенчмарк функционального воздействия.
Сторонние команды уже используют эти вычислительные метрики для резкого сокращения сроков скрининга кандидатов. Партнеры проекта применили оценки AVI, чтобы точно выявить и экспериментально подтвердить ранее неизученные мутации у групп пациентов с редкими заболеваниями. Это демонстрирует, как исчерпывающий вычислительный скоринг напрямую ускоряет ранние этапы поиска лекарств.
Предварительно рассчитанное предиктивное картирование фактически коммодитизирует самый ранний и трудоемкий этап идентификации мишеней. Хотя полученные на кремнии оценки все еще требуют целевой валидации в мокрой лаборатории перед выходом на этап клинических испытаний, замена слепых геномных тестов высокопроизводительными вычислительными фильтрами структурно снижает затраты на раннюю разработку в биотехе.