Google DeepMind meluncurkan AlphaGenome Atlas pada 10 September sebagai atlas prediksi dampak genomik terbesar dalam sejarah. Atlas ini mencakup 9 miliar kemungkinan varian nukleotida tunggal (SNV), dengan total kapasitas data mencapai 1 PB—30 kali lebih besar daripada AlphaFold Database yang diluncurkan pada 2022—dan mulai hari ini tersedia gratis bagi kalangan akademik.
Skala dan arsitektur AlphaGenome Atlas
Total kapasitas data AlphaGenome Atlas mencapai 1 PB, 30 kali lebih besar daripada AlphaFold Database yang diluncurkan Google DeepMind pada 2022. Saat itu, AlphaFold Database memperluas data struktur protein dari 190 ribu struktur eksperimental menjadi lebih dari 200 juta struktur prediksi, sekaligus menyediakan antarmuka visual untuk menurunkan hambatan akses. AlphaGenome Atlas menggunakan strategi yang sama: AI melakukan komputasi berskala besar untuk tugas-tugas yang sebelumnya tidak mungkin diselesaikan di laboratorium, lalu mengemas hasilnya menjadi portal yang dapat langsung diakses oleh para peneliti.
Indikator utamanya, yaitu skor AVI, dihitung dengan menggabungkan hasil prediksi dari dua model, AlphaGenome dan AlphaMissense, sehingga prediksi biologi molekuler yang kompleks diringkas menjadi satu nilai. Dengan demikian, peneliti tidak perlu membandingkan puluhan indikator satu per satu dan dapat langsung menilai varian mana yang layak diteliti lebih lanjut berdasarkan skornya.
Atribusi fungsi AVI dan perangkat penelitian untuk 2.500 motif sekuens DNA
Di balik setiap skor AVI terdapat “atribusi fungsi AVI” yang menunjukkan mekanisme molekuler mana yang terutama terdampak oleh varian tersebut, misalnya penyambungan RNA, tingkat ekspresi gen, atau kepadatan kromatin. Dengan demikian, peneliti tidak hanya mengetahui tingkat keparahan dampaknya, tetapi juga dapat menentukan pada tahap mana masalah tersebut terjadi.
AlphaGenome Atlas juga memetakan lebih dari 2.500 motif sekuens DNA yang berulang kali muncul. Motif-motif ini dapat digunakan untuk menentukan lokasi kerja faktor transkripsi, yaitu protein yang menentukan apakah suatu gen akan diaktifkan atau dinonaktifkan. Kemampuan menentukan lokasi motif-motif tersebut secara langsung memengaruhi kemampuan peneliti dalam menafsirkan fungsi suatu rangkaian nonpengode.
Julia Zeitlinger dan Melanie Weilert dari Stowers Institute for Medical Research di AS memanfaatkan sumber daya motif sekuens untuk membedakan faktor transkripsi mana yang hanya bertugas membuka DNA dan mana yang benar-benar dapat mengaktifkan atau membungkam gen. Detail semacam ini sebelumnya memerlukan serangkaian eksperimen berulang yang dilakukan secara bertahap.
Kasus epilepsi DNM1 dari GREGoR Consortium
GREGoR Consortium menghubungi Laura Covill dan Anne O'Donnell-Luria dari Broad Institute, lalu menggunakan skor AVI untuk menyaring ulang ribuan kandidat varian, termasuk varian yang diduga patogen tetapi sebelumnya terabaikan. Mereka berfokus pada gen DNM1, yang sangat berkaitan dengan ensefalopati epileptik. Prediksi AlphaGenome menunjukkan bahwa suatu varian menciptakan situs penyambungan yang keliru, sehingga menyebabkan kesalahan pembacaan pada titik peralihan ketika sel membaca instruksi gen dan membuat bagian tambahan protein terbentuk di hilir.
Penyaringan eksperimental berikutnya mengonfirmasi penilaian ini sekaligus menemukan varian di sekitarnya yang memiliki efek serupa. Google DeepMind secara khusus menyatakan dalam penjelasan basis datanya bahwa kasus ini dapat diandalkan karena telah melalui validasi eksperimental, bukan semata-mata disimpulkan berdasarkan skor AVI.
Gareth Hawkes menemukan 22% lebih banyak keterkaitan di wilayah nonpengode
Peneliti dari University of Exeter di Inggris, Gareth Hawkes, menerapkan AlphaGenome Atlas pada data genom lengkap lebih dari 54.000 peserta UK Biobank. Setelah mengelompokkan varian berdasarkan dampak prediksinya, ia menemukan 22% lebih banyak keterkaitan di wilayah nonpengode yang sebelumnya tertimbun dalam derau statistik. Ia juga berhasil mengidentifikasi varian yang mengatur PLA2G7, yang berkaitan dengan penuaan, dan EGLN1, gen kunci dalam pendeteksian oksigen oleh sel.
Hawkes kemudian berfokus pada 1% varian nonpengode yang dinilai paling berpengaruh oleh sistem. Setelah membandingkan ratusan juta data, ia mengidentifikasi 19 wilayah gen yang berkaitan dengan BMI, yang dapat mengarahkan penelitian pada tahap berikutnya. Kasus ini menunjukkan bahwa AlphaGenome Atlas tidak hanya dapat menemukan varian penyebab penyakit dalam satu keluarga, tetapi juga dapat menemukan kembali sinyal yang sebelumnya tenggelam dalam derau pada data populasi yang mencakup ratusan ribu orang.
Ketentuan akses gratis bagi kalangan akademik, keterbatasan validasi klinis, dan integrasi Antigravity
Ketentuan akses dan batasan penggunaan AlphaGenome Atlas saat ini adalah sebagai berikut:
Versi akademik gratis: terbatas untuk penggunaan akademik nonkomersial dan dapat diakses mulai hari ini
Versi komersial: akan segera tersedia di Google Cloud bagi pengguna perusahaan
Model dasar AlphaGenome: telah diunggah ke GitHub dan dapat digunakan secara gratis oleh kalangan akademik
Model komersial perusahaan: dapat diperoleh melalui Model Garden
Batasan klinis: situs tersebut secara jelas menyatakan bahwa prediksi belum divalidasi secara klinis dan tidak dapat dijadikan saran medis
Google DeepMind mengakui bahwa AlphaGenome Atlas adalah fondasi, bukan titik akhir. Seiring model terus dioptimalkan, peta ini akan menjadi semakin terperinci, dan versi saat ini bukanlah jawaban final. Selain itu, AlphaGenome Atlas telah diintegrasikan ke Google Antigravity sebagai fitur yang dapat langsung dipanggil dalam alur kerja ilmiah, sehingga berkembang menuju pembangunan platform penelitian terpadu.
Pertanyaan Umum
Model apa saja yang digunakan untuk menghitung skor AVI AlphaGenome Atlas, dan apa logika di balik perancangannya?
Skor AVI dihitung dengan menggabungkan hasil prediksi dari AlphaGenome dan AlphaMissense, sehingga prediksi biologi molekuler yang kompleks diringkas menjadi satu nilai. Setiap skor dilengkapi “atribusi fungsi AVI” yang menunjukkan apakah varian tersebut berdampak pada penyambungan RNA, tingkat ekspresi gen, atau kepadatan kromatin. Pengujian internal Google DeepMind menunjukkan bahwa skor AVI mencapai performa terbaik di kelasnya dalam berbagai tolok ukur patogenisitas dan penyakit langka.
Temuan spesifik apa yang diperoleh Gareth Hawkes dalam penelitian UK Biobank?
Hawkes menerapkan AlphaGenome Atlas pada data genom lengkap lebih dari 54.000 peserta UK Biobank dan menemukan 22% lebih banyak keterkaitan di wilayah nonpengode yang sebelumnya tertimbun dalam derau statistik. Setelah berfokus pada 1% varian nonpengode yang paling berpengaruh, ia mengidentifikasi 19 wilayah gen yang berkaitan dengan BMI.
Apa ketentuan akses AlphaGenome Atlas bagi kalangan akademik dan batasan penggunaan klinisnya saat ini?
Versi akademik gratis terbatas untuk penggunaan nonkomersial dan dapat diakses mulai hari ini; model dasar AlphaGenome telah diunggah ke GitHub; versi komersial perusahaan akan segera tersedia di Google Cloud dan juga dapat diperoleh melalui Model Garden; situs tersebut secara jelas menyatakan bahwa prediksi belum divalidasi secara klinis dan tidak dapat dijadikan saran medis.
