# DeepMind против кода жизни: как AlphaGenome Atlas предсказывает 9 миллиардов мутаций

Источник: https://www.youtube.com/watch?v=Wkaw03p3BrM
Канал: Two Minute Papers
Опубликовано: 07.10.2026

---

В современном научном мире расшифровка генетического кода считается одной из самых амбициозных задач человечества. В новом материале ведущий канала **Two Minute Papers** обсуждает с представителем Google DeepMind прорывную модель **AlphaGenome**, которая обещает совершить в генетике ту же революцию, которую AlphaFold совершила в биологии белков.

## 🧬 Что такое AlphaGenome: Рецептурная книга жизни
[[JUMP:01:08]]

AlphaGenome — это модель машинного обучения, предназначенная для предсказания последствий вариаций в геноме [01:08]. Спикер сравнивает геном с «рецептом жизни», который у человека состоит из 3 миллиардов символов (нуклеотидов ATCG) [01:21]. Даже изменение одного символа может кардинально повлиять на свойства клетки и всего организма.

В геноме выделяют две основные части:

*   **Кодирующая часть:** инструкции по созданию 20 000 белков человеческого протеома [07:06].
*   **Некодирующая («темная») часть:** раздел, отвечающий за регуляцию — когда, где и в каком количестве должны вырабатываться белки [07:31]. Именно эту сложную область пытается расшифровать AlphaGenome.

По словам представителя DeepMind, понимание этих вариаций позволит предсказывать предрасположенность к раку, определять причины высокого индекса массы тела и расшифровывать механизмы таких заболеваний, как серповидноклеточная анемия [03:08].

## 🐭 Обучение на разных видах и эффект «переноса знаний»
[[JUMP:08:14]]

Одной из ключевых особенностей модели является её обучение не только на человеческом геноме, но и на геноме мыши [08:14]. Ведущий канала проводит параллель с проектом SIMA от Google DeepMind, где ИИ, играя в разные видеоигры, становился лучше в каждой из них по отдельности [09:38].

Представитель DeepMind подтверждает, что это пример «обучения с переносом» (transfer learning) [10:04]:

1.  Если обучать модель только на данных человека, она может просто «зазубрить» специфические механизмы.
2.  Принуждение модели объяснять те же эффекты в контексте мыши заставляет её искать общие физиологические принципы.
3.  Это улучшает обобщающую способность модели и её понимание того, что действительно происходит на уровне молекулярных фенотипов [09:11].

## 📏 Разрешение на уровне «букв» и контекстное окно
[[JUMP:10:44]]

До появления AlphaGenome существующие модели страдали либо от близорукости (видели малую область с высоким разрешением), либо от низкого качества при широком обзоре [10:31]. AlphaGenome стала первой моделью, объединившей два ключевых преимущества:

*   **Разрешение на уровне пар оснований:** ИИ анализирует каждую «букву» кода индивидуально [12:23].
*   **Огромное контекстное окно:** модель смотрит на 1 миллион пар оснований вокруг исследуемой мутации [12:10].

Это критически важно, так как из-за трехмерной структуры ДНК изменения в одной части цепи могут влиять на гены, находящиеся физически далеко от места мутации [11:31]. В тестах модель показала доминирующие результаты, опередив конкурентов в 25 из 26 бенчмарков [12:49].

## 🗺️ AlphaGenome Atlas: Карта всех возможных мутаций
[[JUMP:15:15]]

Если AlphaGenome — это инструмент, то **AlphaGenome Atlas** — это результат его колоссальной работы. DeepMind предварительно рассчитали последствия для всех возможных одиночных мутаций в человеческом геноме. Учитывая, что 3 миллиарда символов могут измениться тремя способами каждый, база данных охватывает 9 миллиардов вариантов [15:58].

Масштабы проекта впечатляют:

*   Размер базы данных исчисляется петабайтами [16:26].
*   Atlas в 30 раз больше по объему данных, чем знаменитая база AlphaFold [17:19].
*   Для каждой мутации предсказывается её влияние на сплайсинг, экспрессию генов и другие молекулярные характеристики [16:11].

Специально разработанный показатель **AVI (AlphaGenome Variant Impact)** помогает ученым: высокий балл указывает на мутацию с потенциально драматическим влиянием на здоровье, а низкий — на безопасную вариацию [18:38].

## 🚀 Будущее: От виртуальной клетки к управлению климатом
[[JUMP:29:25]]

Обсуждая темпы развития ИИ (ускорение в миллион раз за последние 10 лет), спикер из DeepMind делится видением будущего [29:00]. Одной из главных целей является создание **виртуальной клетки** — полной цифровой симуляции всех процессов внутри неё [29:38].

Среди других перспективных направлений:

*   **Синтетическая биология:** проектирование новых организмов и белков с заданными свойствами [20:50].
*   **Материаловедение:** поиск материалов для сверхэффективного хранения энергии и разгадка тайны высокотемпературной сверхпроводимости [30:34].
*   **Климат:** точное моделирование долгосрочных последствий деятельности человека на планету [30:19].

Ведущий канала отмечает, что современный ИИ (например, Gemini) уже способен создавать работающие физические симуляции (например, аэродинамическую трубу) по простому текстовому запросу, что раньше требовало месяцев работы программиста [27:39].

---