DeepMind เปิดตัว AlphaGenome 2 เพื่อติดตามว่าการเปลี่ยนแปลงของดีเอ็นเอส่งผลต่อเซลล์เฉพาะชนิดอย่างไร

ใช้เวลาอ่าน 12 นาที
DeepMind unveils AlphaGenome 2 to trace how DNA changes affect specific cells

เบาะแสของโรคที่ค้นพบใน 30 นาที

Google DeepMind เปิดตัว AlphaGenome 2 เมื่อวันที่ 11 พฤศจิกายน 2026 หลังฝึกโมเดลปัญญาประดิษฐ์ด้วยโปรไฟล์เซลล์เดี่ยวมากกว่า 107 ล้านรายการจากเนื้อเยื่อ 68 ชนิด ภารกิจหลักคือคาดการณ์ว่าการเปลี่ยนแปลงของดีเอ็นเอส่งผลต่อเซลล์ชนิดใดบ้าง เพื่อช่วยให้นักวิจัยเชื่อมโยงเบาะแสทางพันธุกรรมกับกระบวนการทางชีววิทยาที่อยู่เบื้องหลังโรค

สารบัญ
  1. เบาะแสของโรคที่ค้นพบใน 30 นาที
  2. เหตุใดดีเอ็นเอชุดเดียวกันจึงทำงานต่างกัน
  3. โมเดลที่ออกแบบตามเซลล์ที่กำลังศึกษา
  4. ตัวเลขประสิทธิภาพบอกอะไร
  5. เรียนรู้จากสภาวะเซลล์ใหม่โดยไม่ต้องฝึกซ้ำ
  6. จากสัญญาณทางพันธุกรรมสู่เป้าหมายยาที่อาจเป็นไปได้
  7. Atlas ที่ครอบคลุมตัวแปรเก้าพันล้านรายการเกี่ยวข้องอย่างไร
  8. สิ่งที่นักวิจัยทำกับ AlphaGenome แล้ว
  9. การเข้าถึง ค่าใช้จ่าย และการทดลองขั้นต่อไป
  10. ประเด็นสำคัญ

ในการสาธิตครั้งหนึ่ง โมเดลจำลองข้อค้นพบสำคัญจากงานศึกษาโรคลำไส้อักเสบเรื้อรังปี 2024 ได้ภายในเวลาราว 30 นาที ก่อนหน้านี้นักวิจัยใช้เวลาหนึ่งปีครึ่งทำการทดลองเพื่อหาคำตอบว่าตัวแปรในดีเอ็นเอเพิ่มการทำงานของยีน ETS2 ในเซลล์ภูมิคุ้มกันที่เกี่ยวข้องกับการอักเสบในลำไส้ได้อย่างไร

ตัวแปรดังกล่าวอยู่ในช่วงดีเอ็นเอที่ห่างจากยีนซึ่งมันควบคุม AlphaGenome 2 เลือกตัวแปรนี้จากตัวเลือก 7 รายการ และคาดการณ์ว่าจะส่งผลต่อ ETS2 ซึ่งอยู่ห่างออกไปราว 290,000 ตัวอักษรดีเอ็นเอ DeepMind เน้นย้ำความสามารถของโมเดลในการระบุการทำงานของ ETS2 ที่เพิ่มขึ้นในแมคโครฟาจในลำไส้โดยเฉพาะ ซึ่งเป็นเซลล์ภูมิคุ้มกันที่ช่วยปกป้องร่างกายและกำจัดเศษซากของเซลล์

เจมส์ ลี นักภูมิคุ้มกันวิทยาและนักพันธุศาสตร์จากสถาบันฟรานซิส คริก ในกรุงลอนดอน ซึ่งเป็นหัวหน้าทีมวิจัยก่อนหน้านี้ อธิบายผลลัพธ์จากการคำนวณว่า

พวกเขาหาคำตอบได้ภายใน 30 นาที แต่เราต้องใช้เวลาทดลองหนึ่งปีครึ่ง

ประโยชน์ที่นำไปใช้ได้จริงคือช่วยให้ห้องปฏิบัติการตัดสินใจได้ว่าควรให้ความสำคัญกับการทดลองใดก่อน AlphaGenome 2 สร้างการคาดการณ์เกี่ยวกับกิจกรรมระดับโมเลกุล แต่นักวิจัยยังต้องทดสอบในห้องปฏิบัติการเพื่อยืนยันข้อค้นพบ DeepMind ระบุว่าโมเดล AlphaGenome มีไว้สำหรับการวิจัย และยังไม่ได้รับการตรวจสอบยืนยันหรืออนุมัติให้ใช้ทางคลินิกหรือเพื่อการวินิจฉัย

เหตุใดดีเอ็นเอชุดเดียวกันจึงทำงานต่างกัน

ประมาณ 2% ของจีโนมมนุษย์มีคำสั่งสำหรับสร้างโปรตีน ส่วนที่เหลืออีกราว 98% เรียกว่าดีเอ็นเอที่ไม่เข้ารหัสโปรตีน บางส่วนมีลำดับควบคุมที่กำหนดว่ายีนจะเริ่มทำงานเมื่อใด ทำงานที่ใด และเซลล์จะสร้างผลิตภัณฑ์ของยีนนั้นมากน้อยเพียงใด

ลองเปรียบเทียบกับอาคารที่มีหลายห้องและใช้แผนผังระบบไฟฟ้าชุดเดียวกัน แต่แต่ละห้องใช้สวิตช์ต่างกัน ในทำนองเดียวกัน เซลล์กล้ามเนื้อหัวใจกับเซลล์ภูมิคุ้มกันมีดีเอ็นเอส่วนใหญ่เหมือนกัน แต่ใช้ชุดยีนต่างกันเพื่อทำหน้าที่ของตน

โฆษณา

ตัวแปรในดีเอ็นเอคือการเปลี่ยนแปลงของลำดับตัวอักษรดีเอ็นเอ ตัวแปรที่อยู่ในสวิตช์ควบคุมอาจเพิ่มการทำงานของยีนในเซลล์ชนิดหนึ่ง แต่ส่งผลเพียงเล็กน้อยในอีกชนิดหนึ่ง ผลของมันอาจเปลี่ยนไปด้วยเมื่อเซลล์ถูกกระตุ้นระหว่างการติดเชื้อหรือตอบสนองต่อการฉีดวัคซีน

ประกาศ AlphaGenome 2 ของ DeepMind ระบุว่าโมเดลใหม่นี้ก้าวข้ามค่าเฉลี่ยภาพรวมของเนื้อเยื่อ ไปพิจารณาชนิดและสภาวะของเซลล์แต่ละแบบ เรื่องนี้สำคัญเพราะเนื้อเยื่อประกอบด้วยเซลล์หลายชนิด การหาค่าเฉลี่ยจากการวัดจึงอาจทำให้ตรวจพบผลที่เกิดเฉพาะในเซลล์กลุ่มเล็ก ๆ ได้ยากขึ้น

ตัวอย่างโรคลำไส้อักเสบเรื้อรังแสดงให้เห็นว่า การดูตำแหน่งเพียงอย่างเดียวอาจทำให้เข้าใจผิดได้ ตัวแปรนี้อยู่ในบริเวณที่เรียกว่า gene desert ซึ่งมีลำดับดีเอ็นเอที่เข้ารหัสโปรตีนโดยตรงอยู่น้อยมากหรือไม่มีเลย บริเวณนี้เป็นส่วนหนึ่งของเอนแฮนเซอร์ ซึ่งเป็นลำดับควบคุมที่มีอิทธิพลต่อยีนซึ่งอยู่ห่างออกไป การเชื่อมโยงดังกล่าวต้องค้นหาทั้งยีนเป้าหมายและเซลล์ที่สวิตช์ทำงาน

โมเดลที่ออกแบบตามเซลล์ที่กำลังศึกษา

AlphaGenome รุ่นแรกซึ่งเปิดตัวในปี 2025 รับลำดับดีเอ็นเอที่มีตัวอักษรหนึ่งล้านตัว แล้วคาดการณ์คุณสมบัติระดับโมเลกุลจากเนื้อเยื่อและการทดลองหลายประเภทพร้อมกัน ผลลัพธ์ครอบคลุมชุดสภาวะของเนื้อเยื่อและเซลล์ที่กำหนดไว้ตายตัว ทำให้จับความแตกต่างเล็กน้อยระหว่างเซลล์ที่ใกล้เคียงกันได้ยาก

ส่วน AlphaGenome 2 รับทั้งลำดับดีเอ็นเอและสภาวะทางชีววิทยาเป็นข้อมูลนำเข้า สภาวะดังกล่าวอาจเป็นเนื้อเยื่อ ชนิดของเซลล์ หรือสภาวะของเซลล์ โมเดลใช้ข้อมูลนี้ตลอดกระบวนการคาดการณ์ โดยมุ่งวิเคราะห์ทีละสภาวะ

นักวิจัยเรียกโมเดลลักษณะนี้ว่าโมเดลแบบมีเงื่อนไข กล่าวอย่างง่ายคือ เปลี่ยนคำถามจากดีเอ็นเอลำดับหนึ่งทำหน้าที่อะไรโดยทั่วไป เป็นมันทำหน้าที่อย่างไรในเซลล์ชนิดหนึ่ง ภายใต้สถานการณ์เฉพาะ

การฝึกโมเดลใช้ข้อมูลวัดจากตัวอย่างเนื้อเยื่อผสมร่วมกับข้อมูลจากเซลล์เดี่ยวของมนุษย์และหนู ครอบคลุมเซลล์มนุษย์ 637 ชนิด และเซลล์หนู 311 ชนิด โปรไฟล์มากกว่า 107 ล้านรายการจากเนื้อเยื่อ 68 ชนิดทำให้โมเดลมีตัวอย่างให้เรียนรู้ว่ากิจกรรมของยีนแตกต่างกันอย่างไรในเซลล์เฉพาะทาง

ประกาศเปิดตัวในเกาหลีของ DeepMind อธิบายการปรับโฉมแบบเดียวกันนี้ รวมถึงการเพิ่มการคาดการณ์การเติมหมู่เมทิลบนดีเอ็นเอ การเติมหมู่เมทิลเกี่ยวข้องกับเครื่องหมายทางเคมีบนดีเอ็นเอ ซึ่งช่วยควบคุมกิจกรรมของยีนได้ การวัดอื่นที่โมเดลคาดการณ์ ได้แก่ การแสดงออกของยีน การเปลี่ยนแปลงทางเคมีของโปรตีนที่เกี่ยวข้องกับดีเอ็นเอ และการเข้าถึงโครมาติน ซึ่งบ่งบอกว่าดีเอ็นเอเปิดให้กลไกที่อ่านมันเข้าถึงได้มากน้อยเพียงใด

โฆษณา

ตัวเลขประสิทธิภาพบอกอะไร

DeepMind ประเมิน AlphaGenome 2 ด้วย TenK10K ซึ่งเป็นชุดข้อมูลขนาดใหญ่ที่ครอบคลุมเซลล์ภูมิคุ้มกันปฐมภูมิของมนุษย์ 28 ชนิด บริษัทระบุว่าโมเดลระบุตัวแปรเชิงสาเหตุได้ 30% ในการประเมิน เทียบกับ 16% ของ AlphaGenome รุ่นก่อนหน้าที่ปรับให้ใช้กับข้อมูลเซลล์เดี่ยว

นั่นคือเพิ่มขึ้น 14 จุดเปอร์เซ็นต์ หรือราว 88% เมื่อเทียบกับตัวเลขเดิม จึงเป็นที่มาของคำอธิบายจาก DeepMind ว่าโมเดลระบุตัวแปรที่เปลี่ยนการแสดงออกของยีนในเซลล์เฉพาะได้เกือบสองเท่า

ความสามารถในการระบุทิศทางผลของตัวแปรก็ดีขึ้นเช่นกัน ตัวเลขที่รายงานเพิ่มจาก 23% เป็น 43% หรือเพิ่มขึ้น 20 จุดเปอร์เซ็นต์ การรู้ทิศทางมีความสำคัญ เพราะนักวิจัยต้องทราบว่าการเปลี่ยนแปลงของดีเอ็นเอเพิ่มหรือลดการทำงานของยีน ก่อนตัดสินใจศึกษาบทบาทของมันในโรค

การประเมินอีกส่วนหนึ่งตรวจสอบสวิตช์ควบคุมที่อยู่ห่างจากยีน 100,000 ถึง 2.5 ล้านตัวอักษรดีเอ็นเอ เมื่อเทียบกับผลจากการทดสอบ CRISPR interference ซึ่งลดการทำงานของตำแหน่งดีเอ็นเอที่เลือกไว้แล้ววัดการตอบสนอง AlphaGenome 2 ได้คะแนน 0.62 ในตัวชี้วัดที่รวมความแม่นยำและความครอบคลุม เทียบกับ 0.48 ของรุ่นก่อน

ความแม่นยำหมายถึงจำนวนตัวเลือกที่ถูกต้องจากรายการที่เลือก ส่วนความครอบคลุมหมายถึงจำนวนตัวเลือกที่เกี่ยวข้องซึ่งโมเดลค้นพบ งานวิจัยระบุว่าแม้ใช้เกณฑ์ความเชื่อมั่นที่เข้มงวด โมเดลก็ยังพลาดตัวแปรส่วนใหญ่ที่คาดว่าเป็นสาเหตุ นักวิทยาศาสตร์จึงต้องเลือกระหว่างรายการคำทำนายที่สั้นลงแต่มีน้ำหนักมากขึ้น กับการค้นหาเบาะแสที่เป็นไปได้ในวงกว้างกว่า

เรียนรู้จากสภาวะเซลล์ใหม่โดยไม่ต้องฝึกซ้ำ

AlphaGenome 2 ยังใช้ข้อมูลวัดจากเซลล์ที่อยู่นอกชุดข้อมูลฝึกเดิมได้ นักวิจัยสามารถอัปโหลดข้อมูลการหาลำดับอาร์เอ็นเอในเซลล์เดี่ยว ซึ่งบันทึกกิจกรรมของยีนในเซลล์แต่ละเซลล์ จากตัวอย่างที่มีเซลล์เพียงไม่กี่สิบเซลล์

โมเดลย่อข้อมูลวัดเหล่านั้นให้เป็นตัวแทนของสภาวะเซลล์ แล้วใช้ข้อมูลดังกล่าวชี้นำการคาดการณ์ วิธีนี้ไม่ต้องฝึกโมเดลทั้งหมดใหม่ทุกครั้งที่ห้องปฏิบัติการเก็บข้อมูลสภาวะทางชีววิทยาแบบใหม่

ซาราห์ ไทช์มันน์ ผู้ร่วมก่อตั้งกลุ่มความร่วมมือ Human Cell Atlas และศาสตราจารย์ด้านเวชศาสตร์สเต็มเซลล์แห่งมหาวิทยาลัยเคมบริดจ์ กล่าวถึงคุณสมบัตินี้ในประกาศของ DeepMind ว่า

สิ่งที่ทำให้ AlphaGenome 2 น่าตื่นเต้นคือการปรับตัวเข้ากับข้อมูลเซลล์เดี่ยวชุดใหม่ได้โดยตรงโดยไม่ต้องฝึกซ้ำ และคาดการณ์ได้ว่าตัวแปรในดีเอ็นเอทำงานอย่างไรในสภาวะเซลล์ที่เพิ่งทำโปรไฟล์ แม้ใช้ตัวอย่างเซลล์เพียงเล็กน้อย

โฆษณา

ในการสาธิตที่ใช้ข้อมูลซึ่งไม่เคยเห็นมาก่อนจากการศึกษาวัคซีนโควิด-19 ชนิด mRNA โมเดล AlphaGenome 2 แยกเซลล์ทีที่ถูกกระตุ้นออกจากเซลล์ทีที่อยู่ในภาวะพักได้ เซลล์ทีเป็นเซลล์ภูมิคุ้มกันที่กิจกรรมของยีนเปลี่ยนแปลงเมื่อทำหน้าที่ตอบสนองต่อภัยคุกคาม

โมเดลยังคาดการณ์ว่าตัวแปรที่เชื่อมโยงกับโควิด-19 อาการรุนแรงรบกวนกิจกรรมของยีนในเซลล์ที่ถูกกระตุ้นได้มากกว่า ตัวอย่างนี้ทำให้สภาวะของเซลล์เป็นส่วนหนึ่งของคำอธิบายทางพันธุกรรม กล่าวคือ ผลของตัวแปรอาจขึ้นอยู่กับว่าเซลล์กำลังทำอะไรในเวลาที่นักวิจัยตรวจสอบ

นักวิจัยยังใช้การวัดชนิดหนึ่งเพื่อคาดการณ์ข้อมูลอีกชนิดที่ขาดหายไปได้ ตัวอย่างเช่น ข้อมูลกิจกรรมของยีนช่วยให้โมเดลประเมินการเข้าถึงโครมาตินได้ กระบวนการนี้เรียกว่าการเติมข้อมูลข้ามโมดาลิตี และอาจช่วยให้ห้องปฏิบัติการเลือกการวัดเพิ่มเติมที่เป็นประโยชน์ที่สุด

จากสัญญาณทางพันธุกรรมสู่เป้าหมายยาที่อาจเป็นไปได้

การศึกษาความสัมพันธ์ทั่วทั้งจีโนม หรือ GWAS เป็นการค้นหาความแตกต่างของดีเอ็นเอที่สัมพันธ์กับโรคหรือลักษณะต่าง ๆ ในคนจำนวนมาก การศึกษามักพบพื้นที่ที่มีตัวแปรเป็นไปได้หลายรายการ จากนั้นนักวิจัยต้องหาว่าตัวแปรใดมีความสำคัญ ส่งผลต่อยีนใด และผลนั้นเกิดขึ้นที่ส่วนใดของร่างกาย

DeepMind คำนวณการคาดการณ์ของ AlphaGenome 2 ไว้ล่วงหน้าสำหรับตัวแปรที่สัมพันธ์กับลักษณะต่าง ๆ ในสภาวะของเซลล์และเนื้อเยื่อมนุษย์หลายร้อยแบบ จุดมุ่งหมายคือช่วยให้ตรวจสอบความเชื่อมโยงเหล่านี้ได้ง่ายขึ้น โดยไม่ต้องให้ห้องปฏิบัติการทุกแห่งดำเนินงานคำนวณขนาดใหญ่ด้วยตนเอง

การคาดการณ์ยังเชื่อมโยงเอนแฮนเซอร์กับยีนเป้าหมายในเซลล์ปฐมภูมิของมนุษย์ รวมถึงแอสโทรไซต์ในสมอง ซึ่งช่วยพยุงและปกป้องเซลล์ประสาท การทำแผนที่ความเชื่อมโยงเหล่านี้ด้วยการทดลองทำได้ยาก เพราะการทดสอบ CRISPR จำนวนมากใช้เซลล์ที่เติบโตอย่างคงตัวในห้องปฏิบัติการ แทนที่จะใช้เซลล์เฉพาะทางที่พบในร่างกาย

การสาธิตเรื่องโรคลำไส้อักเสบเรื้อรังรวบรวมงานเหล่านี้เข้าด้วยกัน โมเดลเชื่อมโยงตัวแปรควบคุมที่อยู่ห่างไกลกับ ETS2 และระบุเซลล์ภูมิคุ้มกันที่เกี่ยวข้อง งานทดลองก่อนหน้านี้ยังระบุเป้าหมายการรักษาที่อาจเป็นไปได้ ทำให้นักวิทยาศาสตร์มีข้อค้นพบทางชีววิทยาไว้ตรวจสอบการคาดการณ์

ปีเตอร์ ดอนเนลลี ประธานเจ้าหน้าที่บริหารของ Genomics Limited อธิบายความยากในการต่อยอดความสัมพันธ์ทางพันธุกรรมไปสู่งานวิจัยด้านยาในประกาศของ DeepMind ว่า

GWAS เป็นหัวใจสำคัญของเรื่องนี้ แต่การเปลี่ยนจากสัญญาณความสัมพันธ์ไปสู่ข้อมูลที่จำเป็นสำหรับโครงการพัฒนายานั้นทำได้ยาก

ดอนเนลลีกล่าวว่าบริษัทตั้งตารอที่จะนำ AlphaGenome 2 ไปใช้ใน Mystra ซึ่งเป็นแพลตฟอร์มประเมินเป้าหมายยาโดยใช้พันธุศาสตร์มนุษย์ ยังไม่มีการประกาศกำหนดการเชื่อมระบบหรือผลการใช้งานโมเดลใหม่นี้จากบริษัทยา

โฆษณา

Atlas ที่ครอบคลุมตัวแปรเก้าพันล้านรายการเกี่ยวข้องอย่างไร

AlphaGenome 2 ต่อยอดจากผลงานอีกชิ้นในโครงการวิจัยเดียวกัน คือ AlphaGenome Atlas ซึ่งเป็นแค็ตตาล็อกการคาดการณ์การเปลี่ยนแปลงตัวอักษรดีเอ็นเอเดี่ยวที่เป็นไปได้ทั้งหมด 9 พันล้านแบบในจีโนมมนุษย์ DeepMind เปิดตัว Atlas ราวสองเดือนก่อนประกาศโมเดลใหม่

ภาพรวมงานวิจัย AlphaGenomeของบริษัทอธิบายว่า Atlas เป็นชุดข้อมูลขนาดหนึ่งเพตะไบต์ โดยมีคะแนน AlphaGenome Variant Impact หรือคะแนน AVI ที่ช่วยให้นักวิทยาศาสตร์จัดอันดับตัวแปรตามผลกระทบระดับโมเลกุลที่คาดการณ์ไว้

เครื่องมือทั้งสองรองรับความต้องการด้านการคำนวณที่ต่างกัน โมเดลเดิมครอบคลุมข้อมูลขนาดใหญ่ในวงกว้าง ส่วน AlphaGenome 2 เน้นตอบคำถามที่เจาะจงและละเอียดขึ้นเกี่ยวกับเซลล์และสภาวะเฉพาะ โดยต้องใช้ทรัพยากรคำนวณมากกว่าในการสร้างการคาดการณ์ที่เฉพาะเจาะจง

ซีกา อัฟเซ็ก นักวิจัยของ DeepMind ซึ่งเป็นหัวหน้าทีม AlphaGenome อธิบายว่ารุ่นเดิมใช้เพื่อครอบคลุมจีโนมในวงกว้าง ส่วน AlphaGenome 2 ใช้ตรวจสอบกลไกของโรคและเป้าหมายยาที่อาจเป็นไปได้อย่างละเอียด สำหรับนักวิจัย นั่นหมายถึงแนวทางทำงานที่เริ่มจากการค้นหาภาพรวม แล้วตรวจสอบตัวเลือกที่คัดไว้ในเซลล์ที่เกี่ยวข้อง

การพัฒนาเกิดขึ้นตามลำดับในช่วงเวลาสั้น ๆ ดังนี้

  • 2024: ทีมของลีค้นพบกลไก ETS2 ในโรคลำไส้อักเสบเรื้อรังผ่านการทดลองในห้องปฏิบัติการ
  • 2025: DeepMind เปิดตัวโมเดล AlphaGenome รุ่นแรก
  • ราวเดือนกันยายน 2026: เปิดตัว AlphaGenome Atlas พร้อมการคาดการณ์การเปลี่ยนแปลงตัวอักษรดีเอ็นเอเดี่ยวที่เป็นไปได้ 9 พันล้านแบบ
  • 11 พฤศจิกายน 2026: DeepMind ประกาศเปิดตัว AlphaGenome 2 และเปิดให้เข้าถึงเพื่อการวิจัย
  • 30 พฤศจิกายน 2026: วันสุดท้ายที่นักวิจัยจะส่งโครงการเพื่อรับการพิจารณาประชาสัมพันธ์และรับโควตาการประมวลผลหรือเครดิตเพิ่มเติม

สิ่งที่นักวิจัยทำกับ AlphaGenome แล้ว

ภาพรวมงานวิจัยของ DeepMind ยกตัวอย่างนักวิทยาศาสตร์ที่ใช้เครื่องมือ AlphaGenome ในวงกว้าง ที่สถาบันบรอด ลอรา โควิลล์ใช้คะแนน AVI ระบุตัวแปร DNM1 ที่สัมพันธ์กับความผิดพลาดในการประมวลผลยีน การทดลองในห้องปฏิบัติการยืนยันการคาดการณ์และสนับสนุนการจัดประเภทตัวแปรใหม่

ที่มหาวิทยาลัยเอ็กซิเตอร์ แกเร็ธ ฮอว์กส์ใช้ AlphaGenome ในงานวิจัยที่มีผู้เข้าร่วมจาก UK Biobank มากกว่า 54,000 คน งานดังกล่าวศึกษาตัวแปรหายากในส่วนที่ไม่เข้ารหัสโปรตีนและลักษณะต่าง ๆ รวมถึงระดับโปรตีนในพลาสมา ในพื้นที่หนึ่ง รายชื่อตัวเลือกลดลงจาก 526 รายการเหลือ 4 รายการ แสดงให้เห็นว่าการคาดการณ์ช่วยจำกัดจุดสนใจของการทดลองได้อย่างไร

โฆษณา

จูเลีย ไซต์ลิงเกอร์ จากสถาบันวิจัยการแพทย์สโตเวอร์สใช้ AlphaGenome ศึกษาลำดับดีเอ็นเอควบคุมสั้น ๆ และความแตกต่างของผลที่มีต่อเซลล์แต่ละชนิด งานของเธอศึกษากฎที่เซลล์ใช้เพิ่มหรือลดกิจกรรมของยีน

ที่มหาวิทยาลัยโคเปนเฮเกน เซซาร์ คุนยา และมาร์ก ปีเอเลียส อาเวลลี ซึ่งทำงานภายใต้การดูแลของทูโอมาส คิลเปไลเนน ใช้ AlphaGenome ติดตามสัญญาณความเสี่ยงอัลไซเมอร์ทางพันธุกรรมในเนื้อเยื่อต่าง ๆ การวิเคราะห์พบผลด้านการควบคุมที่คาดการณ์ไว้ในเนื้อเยื่อภูมิคุ้มกันและเนื้อเยื่อเมแทบอลิซึม ตลอดจนในสมอง

ตัวอย่างเหล่านี้แสดงแนวทางนำการคาดการณ์ไปต่อยอดเป็นงานวิจัยได้หลายแบบ ตั้งแต่จัดอันดับตัวเลือกของโรคหายาก ลดรายการตัวแปรที่มีจำนวนมาก ศึกษาลำดับดีเอ็นเอควบคุม ไปจนถึงติดตามสัญญาณทางพันธุกรรมทั่วร่างกาย AlphaGenome 2 เพิ่มความสามารถในการเจาะจงไปยังเซลล์และสภาวะที่เกี่ยวข้องโดยตรง

การเข้าถึง ค่าใช้จ่าย และการทดลองขั้นต่อไป

AlphaGenome 2 เปิดให้ใช้โดยไม่มีค่าใช้จ่ายสำหรับงานวิจัยที่ไม่ใช่เชิงพาณิชย์ผ่านส่วนต่อประสานการเขียนโปรแกรมแอปพลิเคชันของ AlphaGenome หรือ API ซึ่งช่วยให้นักวิจัยส่งคำขอไปยังโมเดลผ่านซอฟต์แวร์ได้ นักวิจัยเชิงพาณิชย์สามารถขอเข้าใช้ผ่านการทดลองใช้แบบส่วนตัว DeepMind ยังจัดทำบทเรียนแบบโต้ตอบบน Colab ด้วย

DeepMind ระบุว่ากำลังทำงานร่วมกับนักวิจัย รวมถึงทีมจากสถาบัน Wellcome Sanger เพื่อทำโปรไฟล์เซลล์มนุษย์ให้ได้หลากหลายชนิดขึ้น ครอบคลุมระยะพัฒนาการต่าง ๆ และเซลล์ที่เปลี่ยนแปลงจากสภาวะทางชีววิทยาที่แตกต่างกัน ข้อมูลเหล่านี้จะช่วยขยายขอบเขตสภาวะที่นักวิจัยสามารถศึกษาได้

บริษัทยังวางแผนเปิดตัว AlphaGenome 2 Skills บน Google Antigravity ซึ่งเป็นแพลตฟอร์มสำหรับการพัฒนาและเวิร์กโฟลว์ทางวิทยาศาสตร์แบบอัตโนมัติ แต่ยังไม่ได้ระบุวันเปิดตัว นักวิจัยที่ส่งกรณีใช้งานภายในวันที่ 30 พฤศจิกายนอาจได้รับการคัดเลือกให้รับโควตาและเครดิตเพิ่มเติม

คำถามเร่งด่วนสำหรับห้องปฏิบัติการคือ การคาดการณ์ช่วยยืนยันตัวเลือกที่มีประโยชน์ได้โดยใช้การทดลองน้อยลง หรือช่วยให้ตัดสินใจด้านการวิจัยได้เร็วขึ้นหรือไม่ การสาธิต ETS2 เป็นตัวอย่างที่น่าสนใจของการค้นพบกลไกที่ได้รับการยืนยันแล้ว ส่วนคุณค่าในวงกว้างจะขึ้นอยู่กับการที่ห้องปฏิบัติการนำเครื่องมือนี้ไปศึกษาตัวเลือกใหม่และตรวจสอบผลด้วยการทดลอง

ประเด็นสำคัญ

  • DeepMind ประกาศเปิดตัว AlphaGenome 2 เมื่อวันที่ 11 พฤศจิกายน 2026 โดยใช้โปรไฟล์เซลล์เดี่ยวมากกว่า 107 ล้านรายการจากเนื้อเยื่อ 68 ชนิด
  • โมเดลคาดการณ์ผลของดีเอ็นเอในเซลล์ชนิดและสภาวะเฉพาะ รวมถึงสภาวะใหม่ที่นักวิจัยทำโปรไฟล์เพิ่ม
  • ในการประเมิน TenK10K การระบุตัวแปรเชิงสาเหตุเพิ่มจาก 16% เป็น 30% ส่วนการระบุทิศทางผลต่อยีนเพิ่มจาก 23% เป็น 43%
  • การสาธิตจำลองข้อค้นพบสำคัญเกี่ยวกับ ETS2 ในโรคลำไส้อักเสบเรื้อรังได้ภายในราว 30 นาที
  • AlphaGenome Atlas ให้การคาดการณ์ภาพรวมสำหรับการเปลี่ยนแปลงตัวอักษรดีเอ็นเอเดี่ยวที่เป็นไปได้ 9 พันล้านแบบ ส่วน AlphaGenome 2 รองรับการวิเคราะห์เซลล์อย่างละเอียดขึ้น
  • เปิดให้ใช้โดยไม่มีค่าใช้จ่ายสำหรับงานวิจัยที่ไม่ใช่เชิงพาณิชย์ ส่วนการใช้งานเชิงพาณิชย์ต้องขอผ่านการทดลองใช้แบบส่วนตัว ยังจำเป็นต้องยืนยันผลในห้องปฏิบัติการ และโมเดลไม่ได้รับอนุมัติให้ใช้วินิจฉัยโรค
แชร์บทความนี้

เรื่องที่คุณอาจชอบ