A DNS „nyelvét” tanulja az új Berkeley-féle AI-modell
A UC Berkeley kutatói létrehozták a GPN-Star nevű genomikai nyelvi modellt, amely a közlemény szerint a korábbiaknál hatékonyabban azonosítja az öröklött tulajdonságokra és betegségekre ható genetikai eltéréseket. A modell az evolúció során megőrzött DNS-mintázatokból tanul, és a nagyobb rendszereknél jóval kevesebb számítási erőforrást igényel.
- A GPN-Star a genetikai eltérések egészségre gyakorolt hatását próbálja előre jelezni.
- A modell teljesgenom-illesztésekből, több faj evolúciós mintáiból tanul.
- A Berkeley szerint napok vagy néhány processzorral akár órák alatt betanítható.
- Az eltérő evolúciós időtávokra tanított változatok más-más genetikai eltérésekben erősebbek.
- A kutatók teljes genomra kiterjedő előrejelzéseket is közzétettek.
A genom nagy része még mindig rejtély
Több mint két évtizeddel az emberi genom első teljes szekvenálása után a DNS mintegy 3 milliárd bázispárjának jelentős része továbbra sem teljesen értett. A Berkeley közleménye szerint az emberi DNS hozzávetőleg 1, 2 százaléka kódol fehérjéket. A fennmaradó részben olyan szakaszok találhatók, amelyek szabályozhatják, mikor, hol és milyen erősen fejeződnek ki a gének.
Ezek a nem kódoló régiók szerepet játszhatnak öröklött tulajdonságokban és betegségekben is, köztük a rák, a szívbetegség és az autizmus kialakulásához kapcsolódó folyamatokban. A kutatóknak ezért azt kell feltárniuk, hogy a DNS különböző változatai miként járulnak hozzá az egyes tulajdonságokhoz.
A GPN-Star evolúciós összehasonlításokból tanul
A genomikai nyelvi modellek a chatbotokhoz hasonló mintafelismerő rendszerek, de természetes nyelv helyett nagy mennyiségű DNS-szekvencián tanulnak. A DNS-t az A, C, G és T betűk sorozataként kezelik, majd az ismétlődő mintázatok alapján próbálják azonosítani a funkcionális szakaszokat. Yun Song, a Berkeley számítástechnikai és statisztikai professzora szerint a modellek így a genom „nyelvtanát” tanulhatják meg.
A GPN-Star betanításához a kutatók nem egymástól független, teljes genomokat használtak, hanem teljesgenom-illesztéseket. Ezek több száz faj genomját egy kiválasztott faj genomjához viszonyítják, és megmutatják, mely DNS-szakaszok maradtak meg az evolúció során, illetve hol változtak.
A csapat emberi, egér-, muslica-, csirke-, fonálféreg- és növényi adatokkal is dolgozott. Az emberi genomhoz igazított adathalmazok eltérő evolúciós időtávokat képviseltek: az egyik főemlősök, a másik emlősök, a harmadik pedig más gerincesek genomjait tartalmazta.
Kevesebb erőforrással kereshet fontos eltéréseket
A Berkeley szerint a GPN-Star felülmúlja versenytársait a jelentős genetikai eltérések azonosításában, miközben a nagyobb modelleknél jóval hatékonyabban tanítható. A modell napok, sőt néhány processzor használatával akár órák alatt is betanítható. Összehasonlításként a közlemény az Evo 2 modellt említi, amely több mint 100 000 faj genomján tanult, és 2000 nagy teljesítményű NVIDIA-processzort, valamint hónapokat igényelt.
A különböző evolúciós időtávokra tanított GPN-Star-változatok eltérő genetikai eltérések értelmezésében bizonyultak erősebbnek. A hosszabb időtávú adatokkal tanított modell jobban jelezte előre a ritka, fehérjéket érintő eltérések hatását. A főemlősökre összpontosító, rövidebb időtávú adatokkal tanított modell a komplex tulajdonságok, például a skizofrénia kockázatának előrejelzésében teljesített jobban.
A kutatók a modellel készített, teljes genomra kiterjedő előrejelzéseket is közzétették. Ezek segíthetnek a biológusoknak kiválasztani azokat a géneket és szabályozó elemeket, amelyek további vizsgálata várhatóan a legtöbb információt adhatja az emberi egészségről.
A kutatók más csapatok munkáját is várják
Song szerint a modell előrejelzései segíthetnek rangsorolni azokat a kísérleteket, amelyek a legnagyobb hatással lehetnek az emberi egészség megértésére. A kutatók úgy vélik, hogy egyetlen genetikai eltérés hatását nem lehet minden esetben kísérletileg megvizsgálni, ezért a számításos előrejelzések a vizsgálati sorrend kialakításában lehetnek hasznosak.
A GPN-Star tanításához szükséges korlátozott erőforrásigény miatt a Berkeley csapata azt reméli, hogy más kutatócsoportok is könnyen módosíthatják, továbbfejleszthetik és más fajokra alkalmazhatják a modellt. A tanulmány szeptember 9-én jelent meg a Nature folyóiratban. A kutatást részben a National Institutes of Health támogatta, a teljes genomra vonatkozó előrejelzések elkészítéséhez pedig a Chan Zuckerberg Initiative biztosított GPU-erőforrásokat.
