أعلنت Google DeepMind عن إطلاق AlphaGenome Atlas، وهي قاعدة بيانات تهدف إلى مساعدة الباحثين على فهم الكيفية التي يمكن أن تؤثر بها التغيرات الجينية في العمليات الجزيئية. وتغطي القاعدة كل تغير أحادي النوكليوتيد ممكن في الجينوم البشري، أي نحو 9 مليارات تغير في حرف واحد من تسلسل الحمض النووي.
يعتمد Atlas على نموذج الذكاء الاصطناعي AlphaGenome، الذي استخدمته Google DeepMind لحساب التأثير التنظيمي المتوقع لهذه التغيرات مسبقاً. ونتج عن ذلك مستودع بيانات يبلغ حجمه بيتابايتاً واحداً. وبدلاً من اضطرار الباحث إلى تحليل هذه النتائج على نحو منفصل، توفر القاعدة إمكانية البحث السريع في هذه المعلومات عبر بوابة ويب لا تتطلب مهارات برمجية.
مؤشر موحد لترتيب المتغيرات
تقدم المنصة درجة AlphaGenome Variant Impact (AVI)، وهي قيمة واحدة تجمع تنبؤات التأثير في المناطق المشفرة للبروتين والمناطق غير المشفرة. وتقول Google DeepMind إن هذا المؤشر يساعد الباحثين على تحديد المتغيرات والمسارات البحثية الأكثر وعداً، بدلاً من فحص آلاف نقاط البيانات بصورة منفصلة.
وتأتي أهمية الأداة من أن العلماء يملكون فهماً أفضل نسبياً لنحو 2% من الجينوم الذي يرمّز البروتينات، بينما لا تزال معرفة الـ98% المتبقية محدودة. وقد أظهر نموذج AlphaGenome سابقاً أن تغيراً واحداً في المناطق غير المشفرة يمكن أن يعطل عمليات مثل إنتاج البروتين، لكن Atlas يحاول توسيع هذا التحليل ليشمل مشهداً أكثر شمولاً للتغيرات المحتملة.
أمثلة على الاستخدام البحثي
تذكر Google DeepMind أن فريقاً في Broad Institute استخدم درجة AVI لترتيب متغيرات مرتبطة بأبحاث أمراض وراثية نادرة لم تُحسم أسبابها. وقد سلطت الأداة الضوء على متغير حرج في جين DNM1، مع توقع أنه ينشئ موقعاً غير صحيح لعملية التضفير، ما وفر دليلاً مسانداً أسهم في حل الحالة.
وفي مثال آخر، طبّق Gareth Hawkes الأداة على بيانات أكثر من 54 ألف مشارك في UK Biobank لدراسة السمات المعقدة. ومن خلال تجميع المتغيرات وفق تأثيراتها الجزيئية المتوقعة، أُبلغ عن اكتشاف ارتباطات جينية غير مشفرة أكثر بنسبة 22%. كما أدى التركيز على أعلى 1% من المتغيرات من حيث التأثير إلى تحديد 19 منطقة جينية مرتبطة بمؤشر كتلة الجسم، لتوجيه مرحلة لاحقة من البحث المستهدف.
ما الذي يتغير عملياً؟
ينقل AlphaGenome Atlas جزءاً من العمل من مرحلة حساب التأثيرات المحتملة لكل متغير إلى مرحلة الاستعلام والترتيب والمقارنة. وهذا قد يقلل الوقت اللازم لاختيار المرشحين في أبحاث الأمراض النادرة والسمات المعقدة، لكنه لا يحول التنبؤات إلى إثبات سببي أو تشخيص سريري بحد ذاته. كما أن الإعلان لا يوضح تفاصيل أداء النموذج، أو منهجية التحقق المستقل، أو شروط تنزيل البيانات والوصول البرمجي إليها؛ وهي نقاط ستحتاج إلى مراجعة قبل تقييم قابلية استخدام المنصة في المشاريع البحثية المختلفة.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.