AlphaGenome 2 หยุดหาค่าเฉลี่ยจากเซลล์ของคุณแล้ว

ในปี 2024 ทีมงานที่ Francis Crick Institute ใช้เวลาทำงานในห้องปฏิบัติการหนึ่งปีครึ่งเพื่อค้นหาว่าทำไมตัวอักษรดีเอ็นเอเพียงตัวเดียวจึงเป็นตัวขับเคลื่อนโรคลำไส้อักเสบ โมเดลใหม่ของ Google DeepMind สร้างผลการค้นพบซ้ำได้ภายในเวลาประมาณ 30 นาที AlphaGenome 2 ทำนายว่าตัวแปรหนึ่งๆ ทำอะไรภายในเซลล์ชนิดเฉพาะ แทนที่จะเป็นค่าเฉลี่ยของเนื้อเยื่อ และในเกณฑ์มาตรฐานหนึ่งเกี่ยวกับเซลล์ภูมิคุ้มกัน มันพบตัวแปรที่เป็นสาเหตุเกือบสองเท่าของวิธีที่ดีที่สุดเดิม นี่คือชั้นที่สามของชุดเลเยอร์ที่ Google สร้างมาตั้งแต่ AlphaFold — และชั้นที่ห้ายังขาดอยู่

ในปี 2024 ทีมหนึ่งที่สถาบัน Francis Crick ในลอนดอนได้ทำสิ่งที่ต้องใช้ต้นทุนสูง พวกเขาใช้เวลาหนึ่งปีครึ่งในการตัดต่อยีนและชีววิทยาระดับโมเลกุลเพื่ออธิบายว่าทำไมตัวอักษรเดียวของ DNA ซึ่งตั้งอยู่ในช่วงของจีโนมที่ไม่มีgeneอยู่เลย กลับเพิ่มความเสี่ยงของโรค inflammatory bowel disease คำตอบคือสวิตช์ที่อยู่ห่างไกลซึ่งกระตุ้นยีนที่ชื่อ ETS2 มากเกินไปในเซลล์ภูมิคุ้มกันในลำไส้

สัปดาห์นี้ นักวิจัยที่ Google DeepMind ได้จำลองผลลัพธ์นั้นด้วยการคำนวณ โดยไม่ต้องใช้ปิเปตต์

“พวกเขาหาคำตอบได้ภายใน 30 นาที ขณะที่เราใช้เวลาทดลองถึงหนึ่งปีครึ่ง” James Lee นักภูมิคุ้มกันวิทยาผู้เป็นหัวหน้าการศึกษาปี 2024 กล่าวกับนิตยสาร Nature “จากมุมมองของเรา มันเป็นเรื่องที่ทำให้สบายใจ”

โมเดลนี้คือ AlphaGenome 2 ซึ่งเปิดตัวเมื่อวันที่ 11 พฤศจิกายน การปรับปรุงของมันมีขอบเขตแคบ เป็นเชิงเทคนิค และส่งผลสำคัญ: มันทำนายว่าความแปรผันของ DNA หนึ่งๆ ทำอะไร ภายในเซลล์ชนิดใดชนิดหนึ่งหรือสภาวะเซลล์ใดสภาวะหนึ่ง แทนที่จะเฉลี่ยทั่วทั้งเนื้อเยื่อ

ความแตกต่างนั้นคือแก่นของข้อโต้แย้งทั้งหมด หัวใจ สมอง และระบบภูมิคุ้มกันของคุณมีลำดับ DNA เดียวกัน สิ่งที่ทำให้它們แตกต่างกันคือเซลล์แต่ละเซลล์เปิดยีนใด และเปิดมากน้อยเพียงใด ตัวแปรพันธุกรรมหนึ่งอาจทำลายยีนในเซลล์หนึ่งและไม่ส่งผลใดๆ ในเซลล์ข้างเคียง ซึ่งเป็นเหตุผลว่าทำไมค่าเฉลี่ยระดับเนื้อเยื่อจึงสามารถซ่อนกลไกที่โครงการพัฒนายาต้องการได้

สี่ขั้นตอนในปี 2024 ลดเหลือสามขั้นตอนในปี 2026: ตัวแปร กลไก และโมเดลที่สามารถเข้าถึงทั้งสองสิ่งนั้นได้โดยไม่ต้องมีช่วง 18 เดือนคั่นกลาง

สิ่งที่เปลี่ยนแปลงไปจริง ๆ

AlphaGenome 1 ซึ่งเปิดตัวอย่างในเดือนมิถุนายน 2025 และตีพิมพ์ใน Nature เมื่อเดือนมกราคม 2026 ได้อ่านตัวอักษรดีเอ็นเอหนึ่งล้านตัว และสร้างคำทำนายสำหรับการทดลองหลายพันรายการในเนื้อเยื่อหลายชนิดพร้อมกัน ตอนนี้ DeepMind กล่าวว่าการออกแบบนั้น "กระจายความสามารถของโมเดลออกไปจนบางเฉียบ" และทำให้ยากต่อการแยกชนิดเซลล์ที่เกี่ยวข้องกันอย่างใกล้ชิด

AlphaGenome 2 เป็นโมเดลแบบมีเงื่อนไข นอกเหนือจากลำดับ DNA แล้ว โมเดลยังรับภาวะทางชีวภาพ—เนื้อเยื่อ ชนิดเซลล์ หรือสภาวะของเซลล์—และใช้ภาวะนั้นในทุกขั้นตอนของสถาปัตยกรรม โดยทำนายทีละภาวะเท่านั้น โมเดลนี้ได้รับการฝึกด้วยโปรไฟล์เซลล์เดี่ยวมากกว่า 107 ล้านโปรไฟล์ ครอบคลุมชนิดเซลล์มนุษย์ 637 ชนิดและชนิดเซลล์หนู 311 ชนิด และเพิ่มการเมทิลเลชันของ DNA ซึ่งเป็นผลอ่านค่าที่นักวิจัยต้องการมานาน

ผลลัพธ์สองประการสำคัญกว่าตัวชี้วัดมาตรฐาน ประการแรก มันสามารถทำนายการวัดที่ขาดหายไปได้: ให้ข้อมูลกิจกรรมของยีนระดับเซลล์เดี่ยวแก่โมเดล แล้วมันจะประเมินการเข้าถึงของโครมาติน ซึ่งบอกห้องปฏิบัติการว่าการทดลองใดควรทำต่อไป ประการที่สอง มันปรับตัวเข้ากับสถานะของเซลล์ที่ไม่เคยเห็นมาก่อนได้ จากเซลล์เพียงไม่กี่สิบเซลล์และโดยไม่ต้องฝึกใหม่ เมื่อใช้ข้อมูลจากการศึกษาวัคซีน mRNA ของ COVID-19 มันแยกเซลล์ T ที่ถูกกระตุ้นออกจากเซลล์ในสภาวะพัก และพบว่าสายพันธุ์ที่เชื่อมโยงกับ COVID-19 ที่รุนแรงรบกวนกิจกรรมของยีนได้แรงกว่าในสภาวะถูกกระตุ้น — เป็นผลที่เซลล์ในสภาวะพักจะซ่อนไว้

“ถ้าคุณต้องการเข้าใจความแปรผันที่เกี่ยวข้องกับโรคทางพันธุกรรม คุณต้องถามตัวเองว่าเซลล์ชนิดใดได้รับผลกระทบ” Žiga Avsec ซึ่งเป็นผู้นำทีม AlphaGenome กล่าวกับ Nature ลีกล่าวถึงข้อจำกัดของเวอร์ชันก่อนหน้าอย่างตรงไปตรงมามากกว่า: โมเดลที่ไม่สามารถทำนายความจำเพาะต่อชนิดเซลล์ “ไม่ได้มีประโยชน์มากนักสำหรับเรา”

สแต็กที่ Google กำลังสร้าง

อ่านประกาศเปิดตัวตามลำดับ แล้วโครงสร้างก็จะปรากฏขึ้น แต่ละตัวแก้ปัญหาในชั้นที่อยู่เหนือตัวก่อนหน้า และแต่ละตัวก็ไร้ประโยชน์เมื่ออยู่ลำพัง

Isomorphic Labs บริษัทที่แยกตัวออกมาจาก Alphabet ซึ่งดำเนินงานด้านการออกแบบยาของ DeepMind ในเชิงพาณิชย์ ระดมทุนได้ 2.1 พันล้านดอลลาร์ ในเดือนพฤษภาคม และกล่าวว่าการทดลองทางคลินิกครั้งแรกคาดว่าจะเกิดขึ้นก่อนสิ้นปีนี้ ซึ่งเป็นเป้าหมายที่บริษัทเคยตั้งไว้สำหรับปี 2025 AlphaFold บอกเราถึงรูปร่างของแม่กุญแจ AlphaGenome บอกเราว่ามันอยู่ที่ประตูบานไหนและอยู่ในห้องใด Isomorphic ตัดกุญแจขึ้นมา ไม่มีสิ่งใดในนั้นตัดสินได้ว่ากุญแจจะไปถึงห้องหรือไม่

การนำส่งคือจุดที่ชีววิทยาหยุดเป็นปัญหาด้านข้อมูล ยาที่จับโปรตีนเป้าหมายได้ในจานเพาะเชื้อยังต้องรอดชีวิตในกระแสเลือด ข้ามเมมเบรนที่ถูกต้อง และเข้าสู่เซลล์เป้าหมาย การนำส่งแบบเจาะจงมีอยู่จริง — ลิพิดนาโนพาร์ติเคิล คอนจูเกตแอนติบอดี–ยา เซลล์ทีที่ถูกดัดแปลงพันธุกรรม — แต่มันถูกเลือกเป็นรายอวัยวะและรายโมเลกุล ไม่ได้คำนวณจากลำดับ การทดลองยังคงเป็นการทดสอบเดียวที่มีความหมาย และมันช้า ด้วยเหตุผลที่ไม่มีแบบจำลองใดเปลี่ยนแปลงได้

สามถึงห้าปีจะต้องมีอะไรบ้าง

ข้อโต้แย้งที่ว่าชีววิทยาจะถูกไขได้ในไม่ช้า ไม่ได้อยู่ที่ว่าโมเดลเหล่านี้วิเศษอะไร แต่คือต้นทุนของขั้นตอน แรก — การสร้างสมมติฐานที่ถูกต้องเกี่ยวกับกลไก — ได้ลดลงเร็วกว่าที่ใครจะคาดการณ์ สามสิบนาทีเทียบกับสิบแปดเดือนไม่ใช่การเพิ่มผลผลิต แต่เป็นงานอีกแบบหนึ่ง

มีสามสิ่งที่จะต้องเป็นจริง ประการแรก เส้นทางจากตัวแปรพันธุกรรมสู่เซลล์สู่ยาต้องปิดช่องว่างต่อไปเรื่อย ๆ ซึ่งโมเดลนี้ทำให้ดูเป็นไปได้อย่างน่าเชื่อถือเป็นครั้งแรก ประการที่สอง การตรวจสอบยืนยันในห้องปฏิบัติการเปียกต้องตามให้ทัน ซึ่งเป็นปัญหาด้านหุ่นยนต์และรีเอเจนต์ ไม่ใช่ปัญหา AI และประการที่สาม ต้องแก้เลเยอร์ที่ห้าให้สำเร็จสักครั้ง ในเนื้อเยื่อหนึ่ง สำหรับโมเลกุลหนึ่งกลุ่ม หลังจากนั้นรูปแบบมักจะขยายใช้ได้ทั่วไป

AlphaGenome 2 ไม่ได้รักษาโรคใดๆ ใช้เพื่อการวิจัยเท่านั้น ยังไม่ผ่านการตรวจสอบสำหรับงานทางคลินิก และการคาดการณ์ของมันเป็นเพียงสมมติฐานที่ห้องปฏิบัติการยังต้องทดสอบ หลายโรคเกี่ยวข้องกับตัวแปรทางพันธุกรรมหลายสิบตัว ตัวเพิ่มการแสดงออกของยีนบางตัวควบคุมยีนจากระยะไกลกว่าที่โมเดลมองเห็นได้ ผลลัพธ์ใน 30 นาทีนั้นจำลองสิ่งที่รู้อยู่แล้ว

แต่ตอนนี้สแต็กเทคโนโลยีมีโครงร่างแล้ว และชิ้นส่วนที่หายไปก็มีชื่อ นั่นเป็นสถานการณ์ที่ต่างจากห้าปีของการสาธิตที่ดูมีอนาคต

Google DeepMind, “AlphaGenome 2: การถอดรหัสวิธีที่เซลล์อ่าน DNA เพื่อทำความเข้าใจโรคได้ดียิ่งขึ้น” (11 พฤศจิกายน 2026); ข่าวจาก Nature, “AI อันทรงพลังยิ่งของ DeepMind สำหรับการทำแผนที่จีโนมสร้างความตื่นตาตื่นใจให้นักวิทยาศาสตร์” (11 พฤศจิกายน 2026); ประกาศระดมทุนของ Isomorphic Labs (12 พฤษภาคม 2026)

ติดต่อ: [email protected]

โปรดทราบว่าเวอร์ชันภาษาไทยได้รับการช่วยเหลือจาก AI ดังนั้นอาจมีข้อผิดพลาดเล็กน้อย

ผู้เขียน

Ai-Banking-NetworkSecurity (ABN), ABN ASIA ถูกก่อตั้งขึ้นโดยคนที่มีรากฐานลึกในวงการวิชาการ มีประสบการณ์การทำงานในสหรัฐอเมริกา ดัตช์ ฮังการี ญี่ปุ่น เกาหลีใต้ สิงคโปร์ และเวียดนาม ABN Asia เป็นที่เราพบกันของวิทยาลัยและเทคโนโลยี ด้วยโซลูชันขั้นสูงและบริการพัฒนาซอฟต์แวร์ที่มีความสามารถ เราช่วยธุรกิจเติบโตและเข้าสู่ฉากโลก ความมุ่งมั่นของเรา: ด่วนขึ้น ดีขึ้น น่าเชื่อถือมากขึ้น ในกรณีส่วนมาก: ราคาถูกด้วย

หากคุณต้องการบริการ IT การให้คำปรึกษาดิจิทัล โซลูชันซอฟต์แวร์ใช้ได้หรือหากคุณต้องการส่งคำขอข้อเสนอ (RFPs) อย่าลังเลที่จะติดต่อเรา คุณสามารถติดต่อเราได้ที่ [email protected] เราพร้อมช่วยเหลือคุณด้านทุกความต้องกรทางเทคโนโลยีของคุณทุกเมื่อ

© ABN ASIA