AlphaGenome 2 يرصد 30% من المتغيرات السببية في اختبار أحادي الخلية
يتنبأ AlphaGenome 2 من DeepMind بتأثير متغيرات الحمض النووي في أنواع الخلايا وحالاتها. رصد 30% من المتغيرات السببية في اختبار أحادي الخلية مقابل 16% للنموذج المقارن، لكنه يبقى أداة بحثية تحتاج إلى تحقق مستقل وتجريبي.
أطلقت Google DeepMind نموذج AlphaGenome 2 لتحليل تسلسل الحمض النووي والتنبؤ بكيفية تغير تنظيم الجينات عند وجود متغير وراثي داخل نسيج أو نوع خلية أو حالة خلوية محددة. وتقول الشركة إن النموذج يضيف دقة أحادية الخلية إلى جيله السابق، ويستطيع التعامل مع ملفات خلوية جديدة من دون إعادة التدريب.
الخلاصة في 30 ثانية
- ماذا حدث؟ يحلل AlphaGenome 2 ما يصل إلى مليون قاعدة من الحمض النووي مع سياق بيولوجي واحد، ثم يتنبأ بالتعبير الجيني وعدة إشارات تنظيمية لذلك السياق.
- لماذا يهم؟ في اختبار TenK10K الذي أجرته DeepMind، رصد النموذج 30% من المتغيرات السببية مقابل 16% لنسخة مكيفة من AlphaGenome الأصلي.
- ما الذي لم يثبت؟ النتائج منشورة في ورقة أولية واختبارات قادتها الشركة. الأداة تولد فرضيات بحثية ولا تقدم تشخيصاً، كما أخفقت في رصد معظم المتغيرات السببية في ذلك الاختبار.
تسلسل واحد وسياق خلوي واحد
تحمل معظم خلايا الجسم الجينوم نفسه تقريباً، لكنها تقرأه بطرق مختلفة. قد يغير متغير وراثي نشاط جين داخل خلية مناعية من دون أثر مماثل في خلية كبدية، وقد يتغير سلوك الخلية نفسها عند التنشيط أو المرض. لذلك يعد السياق ضرورياً لربط المتغيرات الواقعة خارج الجينات بوظائف بيولوجية.
يستقبل AlphaGenome 2 تسلسلاً يصل إلى مليون زوج قاعدي مع شرط مختار مثل النسيج أو نوع الخلية أو حالتها. ويتنبأ بالتعبير الجيني، وإتاحة الكروماتين، وتعديلات الهستونات، ومثيلة الحمض النووي عبر التسلسل. وعلى خلاف الجيل الأول، يعالج النموذج سياقاً خلوياً واحداً في كل مرة.
تقول DeepMind إنها دربت النظام على بيانات مجمعة وأحادية الخلية تمثل أكثر من 107 ملايين ملف خلوي في 68 نسيجاً بشرياً وفأرياً. ويمكن للباحث تزويده بقياسات تسلسل الحمض النووي الريبي أحادي الخلية من حالة لم تظهر في التدريب، ليستخدمها في استنتاج إشارات تنظيمية إضافية من دون تدريب جديد.
الرقم الأهم: في اختبار TenK10K أحادي الخلية، استعاد AlphaGenome 2 نسبة 30% من المتغيرات السببية وحدد الاتجاه الصحيح لتأثيرها الجيني في 43% من الحالات، مقابل 16% و23% للنموذج المقارن.
تحسن في الاختبار لا حلاً للمسألة
تربط بيانات TenK10K الاختلافات الوراثية الطبيعية بتغيرات التعبير الجيني المقاسة داخل خلايا منفردة. قارنت DeepMind النموذج الجديد مع AlphaGenome الأصلي بعد تكييفه للتنبؤ أحادي الخلية ومع أدوات متخصصة. وتشير المكاسب المعلنة إلى أن تمثيل السياق الخلوي مباشرة قد يضيق قائمة المتغيرات التي تستحق التجربة.
أعاد الفريق أيضاً تحليل نتيجة معروفة في مرض الأمعاء الالتهابي تتعلق بجين ETS2. كانت التجارب السابقة قد حددت منطقة تنظيمية نشطة في الخلايا البلعمية. وتقول DeepMind إن AlphaGenome 2 أعاد إنتاج النمط الخاص بتلك الخلايا حاسوبياً، فيما نقلت Nature عن أحد الباحثين الأصليين أن التحليل استغرق نحو 30 دقيقة بدلاً من قرابة 18 شهراً من العمل التجريبي.
توضح المقارنة فرق السرعة، لا تكافؤ الدليل. التجارب السابقة بنت دليلاً بيولوجياً، بينما أعاد النموذج بناء نتيجة معروفة بعد التعلم من بيانات عامة ضخمة. أما الاختبار الأهم مستقبلاً فهو قدرته على ترتيب متغيرات مجهولة ثم تأكيدها بالتجربة.
كيف يمكن للباحثين استخدامه؟
أتاحت DeepMind واجهة برمجية للبحث غير التجاري، وفتحت معاينة خاصة للبحث التجاري. وتناسب الخدمة آلاف الاستعلامات المباشرة لا ملايينها، ما يعني أن التحليلات الصناعية على مستوى الجينوم قد تحتاج إلى إصدارات أو أدوات أخرى.
يجمع الإصدار بين موضوعين تناولتهما نيوتقنية. فقد أظهر أطلس أحادي الخلية لأورام القولون والمستقيم كيف يكشف فصل الخلايا إشارات يخفيها تحليل النسيج كاملاً. كما أوضحت ادعاءات إنتاج الذكاء الاصطناعي نتائج علمية كبرى ضرورة التحقق المستقل من مخرجات النماذج. يجمع AlphaGenome 2 بين الدقة الخلوية والحاجة إلى اختبار تجريبي حذر.
قبل التعامل مع التنبؤ كإجابة بيولوجية
الورقة أولية، والنتائج الأساسية أنتجها مطور النموذج. يمثل رصد 30% تحسناً مهماً على خط المقارنة، لكنه يعني أيضاً أن سبعة من كل عشرة متغيرات سببية لم تُرصد. وقد تعكس التنبؤات فجوات بيانات التدريب وانحيازاتها، ولا يضمن إدخال ملف خلوي جديد دقة النموذج خارج الأنماط المألوفة. كما وجدت دراسة مستقلة عام 2026 للجيل الأول أن آثار تغيرات المحفزات المحلية لم تنتقل دائماً بصورة متماسكة إلى النسخ الجينية. لا تختبر تلك الدراسة الجيل الثاني مباشرة، لكنها تؤكد ضرورة التقييم المستقل لكل إصدار.
ما الخطوة التالية؟
سيأتي الدليل الأقوى من استخدام النموذج بصورة استباقية قبل معرفة نتائج المختبر. وينبغي أن تشمل التقييمات تنوع الأصول السكانية والحالات الخلوية النادرة والأمراض المختلفة، ثم تقيس ما إذا كانت الأداة ترفع نسبة نجاح التجارب مقارنة بالطرق الحالية.
تؤكد DeepMind أن النظام غير معتمد للاستخدام السريري أو التشخيصي. لذلك يعد AlphaGenome 2 حالياً أداة أسرع لصياغة فرضيات خاصة بالخلايا حول الحمض النووي، بينما يبقى المختبر مسؤولاً عن تحويل أي فرضية إلى معرفة.
كيانات وموضوعات موثّقة
المصادر والمراجع4 مصادر
المراجع الخارجية المستخدمة لدعم المعلومات الواردة في هذا المقال.
نشر بواسطة
مكتب نيو تقنية – الذكاء الاصطناعي
فريق تحريري مؤسسي تابع لنيو تقنية
