AI评分 一般 (55)AI 中文改写
DeepMind超强AI基因组图谱令科学家惊叹 - Nature
6 天前 2 阅读来源:nature.com
AI 中文改写
原文为英文,由 AI 改写为中文报道,内容完整。如需参考原文请点击下方链接
谷歌DeepMind在基因组解读领域又扔下一枚重磅炸弹。其最新发布的AI模型AlphaGenome 2,能够预测非编码DNA序列在不同细胞类型中的分子效应,而这项能力此前一直是基因研究中的硬骨头。伦敦弗朗西斯·克里克研究所的免疫学家兼遗传学家James Lee给出了一个极具冲击力的对比:他的团队曾花费一年半时间做实验,才找到炎症性肠病的一个关键基因驱动因素——名为ETS2的基因,由一段位于“基因沙漠”中的DNA变异导致其在免疫细胞中过度活跃。而DeepMind的模型只用了30分钟就复现了这一发现的部分结论,全程没有动过一次移液枪。
这件事的意义要从非编码DNA的特殊性说起。人类基因组中约98%的序列属于非编码区域,它们不直接编码蛋白质,却通过调控其他基因的表达来影响性状和疾病风险,解读难度极高。DeepMind两个月前发布的AlphaGenome Atlas覆盖了人类基因组中全部90亿种可能的单字母DNA变异预测,但用的是初代模型AlphaGenome 1,存在一个致命短板:无法指明变异具体在哪种细胞中起作用。对于研究遗传病的研究者来说,这几乎等于给了答案却不知道答案属于哪道题。AlphaGenome 2的核心升级正在于此——团队用超过1亿个单细胞、横跨68种组织的基因活性数据训练模型,使其能够精细区分不同细胞类型中的变异效应,训练覆盖了637种人类细胞和311种小鼠细胞。更关键的是,模型不局限于训练时见过的细胞类型,研究人员可以输入新的单细胞基因活性数据(比如某种疾病状态下的细胞),让模型生成相应的变异预测。对于跨境电商和AI从业者而言,这则消息的价值在于两个层面:一是AI在垂直科学领域的落地速度正在加快,从工具发布到能力迭代只用了两个月;二是这类基础模型的训练思路——用更大规模、更细粒度的数据解决上一代模型的精度瓶颈——与当下AI应用层的演进逻辑如出一辙。DeepMind研究员Žiga Avsec的话点明了问题的本质:要理解与遗传病相关的变异,就必须回答哪些细胞类型受到了影响。这个问题,现在AI能答了。
这篇文章对你有帮助吗?
觉得有用?分享给更多人
留言 · 0 条
暂无留言,来说两句吧
