Генетика клеток: DeepMind запустила AlphaGenome 2 ценой дорогого инференса
Способна ли вычислительная биология точно картировать влияние генетических мутаций на поведение отдельных клеток без необходимости непрерывного лабораторного дообучения?
Исследователи из Google DeepMind представили AlphaGenome 2 — ИИ-модель, созданную для анализа того, как изменения в структуре ДНК влияют на различные типы клеток. Как указано в блоге Google, опубликованном в среду, система обеспечивает значительно более глубокую детализацию по сравнению с базовыми моделями вроде оригинальной AlphaGenome, выпущенной DeepMind в прошлом году. Преобразуя статические биологические базы данных в предиктивную систему, архитектура выявляет точные точки, в которых генетические вариации меняют клеточную активность.
Предиктивное разрешение на уровне клеточных профилей
Несмотря на то что практически каждая клетка человеческого организма несет одинаковую последовательность ДНК, разные типы клеток активируют строго определенные генетические программы в зависимости от выполняемых функций и микроокружения. AlphaGenome 2 улавливает эти различия, оценивая влияние мутаций на конкретные типы и состояния клеток. Для реализации этой возможности DeepMind обучила AlphaGenome 2 на выборке из более чем 100 миллионов индивидуальных клеточных профилей, представляющих 68 различных тканей.
По данным DeepMind, AlphaGenome 2 обнаруживает почти вдвое больше вариантов, способных менять экспрессию генов в клетках, чем предыдущая флагманская модель компании. Как отмечает Адам Гайозо, научный сотрудник Google DeepMind, участвовавший в разработке, ключевой прорыв заключается в связывании генетики человека с конкретной клеточной биологией.
«При разработке лекарственных препаратов вы нацеливаетесь на конкретные белки и определенные типы клеток», — пояснил изданию The Verge руководитель направления геномики в Google DeepMind Жига Авсец.
Авсец подчеркнул, что высокое разрешение критически важно при создании таргетированной терапии заболеваний. Создание подобной архитектуры стало возможным лишь недавно благодаря появлению лабораторных технологий, способных фиксировать состояние единичных клеток с высокой точностью. В ходе экспериментальных тестов исследователи установили, что AlphaGenome 2 способна делать прогнозы для новых типов клеток и биологических состояний без необходимости повторного обучения, а также указывает на пробелы в экспериментальных массивах данных, направляя работу лабораторий. Однако какие экономические компромиссы влечет за собой подобная точность?
Вычислительная стоимость сверхвысокой точности
Рост точности напрямую увеличивает затраты на вычислительные мощности. Авсец заявил, что AlphaGenome 2 не заменит оригинальную AlphaGenome в ближайшей перспективе: детальные прогнозы требуют значительных аппаратных ресурсов и обходятся существенно дороже расчетов предыдущей модели. Из-за высоких требований к инфраструктуре использование AlphaGenome 2 для генерации полногеномного атласа, выпущенного DeepMind в сентябре и картировавшего замену каждой буквы ДНК в геноме человека, оказалось экономически нецелесообразным.
Этот барьер разделяет создание масштабных базовых справочников и узкоспециализированный инференс. В настоящее время DeepMind совершенствует генетические модели за счет генерации дополнительных объемов данных, включая плохо представленные сегодня клеточные состояния. Авсец добавил, что будущие версии системы могут быть обучены на межвидовых массивах данных.
«AlphaGenome 2 — это преемник модели AlphaGenome, выпущенной DeepMind в прошлом году для прогнозирования геномных процессов».
Google открыла доступ к AlphaGenome 2 для некоммерческих исследований через AlphaGenome API начиная со среды, а также запустила ограниченный закрытый доступ для коммерческих структур. Релиз развивает диагностические инициативы лаборатории: 06.05.2026 Google DeepMind представила MedGemma 1.5 4B — мультимодальную модель, совершившую переход от анализа текстовых медицинских карт к интерпретации снимков КТ, МРТ и гистопатологических срезов (материал выходил 06.05). Параллельно конкуренты развивают встречные исследовательские проекты в биомедицине, стремясь сократить цикл между цифровыми прогнозами и практическими тестами.
Внедрение биологических моделей высокого разрешения требует строгого баланса между вычислительными бюджетами и реальной потребностью в лабораторной валидации. Командам, масштабирующим конвейеры прогнозного моделирования, предстоит решить: закладывать ли возросшую стоимость инференса узкоспециализированных клеточных систем или опираться на более дешевые полногеномные базовые модели до этапа финальной верификации.
Что за этим стоит
Платой за детальность прогнозов стал резкий взлет аппетитов к аппаратуре: вычисления на новой системе обходятся настолько дороже расчетов оригинальной AlphaGenome, что обновлять ею сентябрьский полногеномный атлас оказалось экономически нецелесообразно. Смогут ли биотех-компании из закрытого коммерческого доступа превратить дорогущие расчеты AlphaGenome 2 в окупаемые таргетированные препараты?
Источник: The Verge AI