AlphaFold-оос цааш: DeepMind хүний ДНХ-ийн 9 тэрбум мутацийг тооцоолсон 1PB "AlphaGenome Atlas" ба нээлттэй API-г танилцууллаа

Уургийн бүтцийг 3D хэмжээстээр таамаглаж, биологийн салбарт Нобелийн шагнал авчирсан AlphaFold-оос хойш Google DeepMind дараагийн томоохон тэсрэлтээ зарлалаа. Сүүлийн 24 цагийн дотор технологи болон биоинформатикийн ертөнцийг шуугиулж буй шинэ нээлт бол AlphaGenome Atlas юм. Энэ нь хүний геном дахь боломжит бүх 9 тэрбум дан нуклеотидын хувилбарууд (Single-Nucleotide Variants буюу SNV) молекулын түвшинд ямар өөрчлөлт авчрахыг урьдчилан тооцоолсон 1 петабайт (1,000 TB) хэмжээтэй асар том мэдээллийн сан бөгөөд судалгааны зориулалтаар үнэ төлбөргүй API болон нээлттэй хандалттайгаар цацагдлаа.

Хөгжүүлэгч, инженерүүдийн хувьд энэ нь зөвхөн анагаахын дэвшил төдийгүй AI-ийн масштаб, асар их өгөгдлийг precompute хийж түгээх инженерийн гайхалтай шийдэл болж байна.

98% "Харанхуй геном"-ын нууцыг тайлах нь

Хүний ДНХ нь 3 тэрбум орчим хос сууриас (A, C, G, T) бүрддэг бөгөөд үсэг тус бүр өөр 3 үсгээр солигдох боломжтой гэж тооцвол нийт 9 тэрбум гаруй нэг үсгийн мутаци үүсэх боломжтой байдаг. Өнөөг хүртэл орчин үеийн шинжлэх ухаан ДНХ-ийн дөнгөж 2%-ийг буюу уураг кодчилдог хэсгийг л харьцангуй сайн ойлгодог байв. Үлдсэн 98% нь уураг шууд кодчилдоггүй тул олон жил "хог хаягдал ДНХ" (junk DNA) эсвэл геномын "харанхуй матери" хэмээн нэрлэгдэж иржээ.

Гэвч бодит байдал дээр ихэнх удамшлын болон ховор өвчин, хүний бие организмын өвөрмөц онцлогууд яг энэ 98%-ийн зохицуулах (regulatory) мужуудад нуугдаж байдаг. Хэрэв тэдгээрийн үр нөлөөг лабораторийн уламжлалт аргаар нэг бүрчлэн турших юм бол хэдэн зуун жил, тэрбум тэрбум доллар шаардагдах байв. DeepMind-ийн бүтээсэн AlphaGenome суурь модель нь эдгээр зохицуулах бүсүүд дэх нэг үсгийн өөрчлөлт нь RNA splicing, хроматины хүртээмж, генийн илэрхийлэлд хэрхэн нөлөөлөхийг тооцоолж чаддаг болжээ.

1 Петабайт дата ба Precomputation: Инженерийн дэд бүтэц

Хөгжүүлэгчдийн өнцгөөс харахад хамгийн сонирхолтой нь DeepMind-ийн сонгосон архитектур болон дата дэд бүтцийн шийдэл юм. Хэрэглэгч хүсэлт илгээх бүрд гүн сургалтын том моделийг ажиллуулж (real-time inference) тооцоолохын оронд DeepMind хүний болон хулганы хэдэн зуун төрлийн эс, эд эрхтний түвшинд бүх 9 тэрбум мутацийг урьдчилан тооцоолж (precomputed) 1PB хэмжээтэй бүтээгдэхүүн болгожээ.

Энэ нь өмнөх үеийн AlphaFold Database-ээс даруй 30 дахин том хэмжээний датасет юм.

Ингэж урьдчилан тооцоолсноор:

Latency-гүй хайлт: Дэлхийн өнцөг булан бүрийн судлаачид, хөгжүүлэгчид 9 тэрбум мутацийн аль ч координатыг хэдхэн миллисекундын дотор индекслэгдсэн сангаас шүүж авах боломжтой болсон.
Тооцооллын зардлыг нэг удаад түгжих: Моделийг асар том TPU кластер дээр сар гаруй хугацаанд precompute хийснээр өдөр тутмын хэрэглээний дэд бүтцийн зардлыг эрс бууруулжээ.

AVI (AlphaGenome Variant Impact) оноо гэж юу вэ?

Хэрэв өгөгдлийн сан нь 1 петабайт хэмжээтэй, олон мянган биологийн үзүүлэлт агуулсан бол энгийн инженер болон эмч нар түүнийг хэрхэн хурдан ашиглах вэ? Үүний тулд DeepMind AlphaGenome Variant Impact (AVI) гэх нэгдсэн индексийг танилцууллаа.

AVI оноо нь (0-ээс ~55 хүртэлх утга авдаг):

Уураг кодчилдог хэсгийн нөлөөг тооцоолдог AlphaMissense модел,
Кодчилдоггүй 98% зохицуулах мужийн нөлөөг тооцоолдог AlphaGenome моделийн таамгуудыг нэгтгэн,
Тухайн ДНХ-ийн өөрчлөлт өвчин үүсгэх эсвэл молекулын үйл ажиллагааг алдагдуулах магадлалыг ганц тоон утга болгон харуулдаг.

Бүтээгдэхүүнийг албан ёсоор зарлахаас өмнө Broad Institute-ийн эрдэмтэд оношилгоо нь олдохгүй байсан эпилепситэй өвчтөний DNM1 ген дэх буруу splice site үүсгэсэн ховор мутацийг AVI онооны тусламжтайгаар илрүүлж, лабораторийн туршилтаар баталгаажуулж чаджээ. Мөн Их Британийн Exeter-ийн их сургууль UK Biobank-ийн 54,000 хүний бүтэн геном дээр энэхүү датаг уншуулахад өмнө нь статистикийн дуу чимээнд (noise) харагдахгүй байсан 22% илүү генетик холбоосыг нээн илрүүлсэн байна.

Хөгжүүлэгчдэд зориулсан хандалт ба API

AlphaGenome Atlas-ийг судалгааны зориулалтаар ашиглах alphagenome нээлттэй сан болон REST API гарсан байна:

# Google DeepMind-ийн нээлттэй санг ашиглах энгийн жишээ
import genome
from alphagenome.models import dna_client

API_KEY = 'Your_Research_API_Key'
model = dna_client.create(API_KEY)

# Тодорхой интервал дахь ДНХ-ийн мутацийн нөлөөг шалгах
interval = genome.Interval(chromosome="chr1", start=100000, end=100500)
predictions = model.predict_variants(interval)

print(predictions.avi_score)

Академик болон ашгийн бус судалгаанд уг сан бүрэн үнэгүй бөгөөд вэб порталаар (alphagenome.google/atlas) шууд хайлт хийх боломжтой. Харин эмнэлзүй, эмийн компаниудад зориулсан арилжааны хувилбар нь Google Cloud Model Garden-д тун удахгүй нэвтрэхээр төлөвлөгджээ.

Дүгнэлт: ДНХ бол байгалийн "Эх код"

Программ хангамжийн салбарт бид сая сая мөр кодоос алдааг нь олж засахдаа статик шинжилгээ, линтер, automated test ашигладаг. Үүнтэй адил бидний амьдралыг тэтгэгч ДНХ гэдэг дөрвөн тэмдэгттэй эх кодыг AI-ийн тусламжтайгаар "compile" хийж, үсгийн алдаа (мутаци) хаана ямар runtime error (өвчин эмгэг) үүсгэхийг урьдчилан таамаглах эрин үе эхэллээ.

AlphaGenome Atlas нь DeepMind-ийн зүгээс AI-ийг зөвхөн текст бичдэг chatbot биш, харин физик ертөнц, байгалийн суурь хуулиудыг тайлах хүчирхэг "дижитал лаборатори" болгон хөгжүүлж буйн тод нотолгоо болж байна.

Эх сурвалж: Google DeepMind Official Announcement, Nature / bioRxiv Preprint, MarkTechPost, TNW (2026.09.08-09)