Che cosa cambia rispetto ad AlphaGenome 1
Google DeepMind ha presentato AlphaGenome 2, un modello di sequenza del DNA che predice gli effetti delle varianti in specifici tipi cellulari, secondo quanto riportato da MarkTechPost. A differenza del predecessore, che secondo la fonte mediata i segnali sui tessuti in bulk, il nuovo modello è condizionale: riceve in input una finestra di 1 Mb di DNA, umano o murino, insieme a uno stato cellulare di riferimento, e produce le previsioni per una sola condizione per chiamata.
L'architettura è di tipo U-Net, con un encoder convoluzionale, un transformer a 11 blocchi e un decoder. La condizione è un embedding a 256 dimensioni che modula le attivazioni tramite layer FiLM. Secondo la fonte, condizionare solo il decoder o i layer di output produce miglioramenti minimi, mentre il grosso del guadagno arriva dal condizionamento di encoder e transformer. Gli output coprono copertura RNA, CAGE, splicing, accessibilità della cromatina, modificazioni degli istoni, legame dei fattori di trascrizione e mappe di contatto; la metilazione del CpG è una novità rispetto al modello precedente.
I numeri dei benchmark, tutti interni a DeepMind
La fonte precisa che le righe dei benchmark provengono dal paper su AlphaGenome 2 e costituiscono una valutazione dello stesso DeepMind. Sui tessuti GTEx la correlazione mediana di Pearson per i cambiamenti di espressione tra tessuti sale da 0,61 a 0,71; la varianza di tipo cellulare spiegata all'interno dei tessuti cresce dal 23% al 34% per l'RNA a singola cellula. Il risultato principale riguarda i TenK10K single-cell eQTL su 28 tipi di cellule immunitarie: al 90% di precisione il modello recupera il 30% delle varianti causali, contro il 16% di AlphaGenome 1 fine-tuned, mentre il recall sulla direzione dell'effetto passa dal 23% al 43%.
Sui dati CRISPRi ENCODE-rE2G non visti in addestramento, l'AUPRC enhancer-gene raggiunge 0,78, contro 0,73 di AlphaGenome 1 e 0,61 di un ensemble Borzoi; il divario è più ampio per gli enhancer distanti da 100 a 2.500 kb, 0,62 contro 0,48. Nell'imputazione di saggi il modello batte il baseline Avocado su 166 di 181 tracce non viste e, su una coorte Parkinson non vista, raggiunge il 41% di recall contro il 17% di Scooby tarato sulla coorte. La fonte segnala anche il limite peggiore: fuori dalla cromatina accessibile l'AUROC per la previsione del segno si ferma a 0,63.
Accesso, addestramento e ciò che manca
L'addestramento si è svolto in quattro fasi: pre-training su dati bulk e su 3.977 tracce pseudobulk di RNA e ATAC a singola cellula provenienti da 36 studi; raffinamento della condizione sui soli embedding e layer FiLM; distillazione di 8 modelli insegnanti in un singolo studente; post-training che mappa un encoder di espressione a singola cellula nello spazio delle condizioni del modello congelato. L'encoder è stato addestrato su oltre 100 milioni di profili scRNA-seq umani, in gran parte da CELLxGENE, e i documenti consentono fino a 256 cellule per chiamata. La fonte indica l'uso di 2048 chip TPU v4.
