谷歌DeepMind利用其革命性的蛋白质结构预测人工智能来寻找导致疾病的基因突变。
一种基于AlphaFold网络的新工具可以准确预测哪些蛋白质突变可能导致健康状况——这是限制基因组学在医疗保健中使用的挑战。
正在开发类似工具的研究人员表示，名为AlphaMissense的人工智能网络是向前迈出的一步，但不一定是翻天覆地的变化。它是正在开发的众多技术之一，旨在帮助研究人员并最终帮助医生“解释”人们的基因组以找到疾病的原因。但像AlphaMissense这样的工具在用于临床之前需要经过彻底的测试。
许多直接导致疾病的基因突变，例如导致囊性纤维化和镰状细胞病的基因突变，往往会改变它们编码的蛋白质的氨基酸序列。但研究人员只观察到了几百万个单字母“错义突变”。在人类基因组中可能存在的超过万个基因中，只有一小部分已被确定与疾病相关，而且大多数似乎对健康没有不良影响。
因此，当研究人员和医生发现他们以前从未见过的错义突变时，可能很难知道如何理解它。为了帮助解释这种“意义不明的变异”，研究人员开发了数十种不同的计算工具，可以预测变异是否可能导致疾病。AlphaMissense结合了解决该问题的现有方法，这些方法越来越多地通过机器学习来解决。
定位突变该网络基于AlphaFold，可根据氨基酸序列预测蛋白质结构。但DeepMind的研究和副总裁PushmeetKohli表示，AlphaMissense并没有确定突变的结构影响（这是生物学中的一个公开挑战），而是利用AlphaFold对结构的“直觉”来识别蛋白质中可能发生致病突变的位置。一位研究作者在新闻发布会上说。
AlphaMissense还整合了一种受ChatGPT等大型语言模型启发的神经网络，该模型已接受数百万个蛋白质序列而不是单词的训练，称为蛋白质语言模型。事实证明，它们擅长预测蛋白质结构和设计新蛋白质。共同领导这项研究的DeepMind研究科学家ZigaAvsec告诉记者，它们对于变异预测很有用，因为它们已经了解了哪些序列是合理的，哪些是不合理的。
DeepMind的网络在辨别已知会导致疾病的变异和不会导致疾病的变异方面似乎胜过其他计算工具。它还擅长发现实验室实验中发现的问题变异，同时测量数千个突变的影响。研究人员还使用AlphaMissense创建了人类基因组中每一种可能的错义突变的目录，确定57%可能是良性的，2%可能导致疾病。
斯德哥尔摩大学计算生物学家阿恩·埃洛夫森(ArneElofsson)表示，AlphaMissense相对于现有的预测突变影响的工具来说是一个进步，“但并不是巨大的飞跃”。
英国爱丁堡MRC人类遗传学中心的计算生物学家JosephMarsh同意，它的影响不会像AlphaFold那样显着，AlphaFold开创了计算生物学的新时代。“是兴奋的。这可能是我们目前拥有的最好的预测器。但这会是两三年后最好的预测吗？很有可能不会。”
马什说，目前计算预测在诊断遗传疾病方面的作用很小，医生团体的建议说，这些工具应该只提供将突变与疾病联系起来的支持证据。Avsec表示，与之前的方法相比，AlphaMissense自信地对更大比例的错义突变进行了分类。“随着这些模型变得比我想象的更好，人们会更倾向于信任它们。”
佐治亚州亚特兰大埃默里大学的生物信息学家YanaBromberg强调，诸如AlphaMissense之类的工具在应用于现实世界之前，必须使用良好的性能指标进行严格评估。
例如，一项名为基因组解释批判性评估（CAGI）的活动多年来一直根据尚未发布的实验数据对此类预测方法的性能进行基准测试。Bromberg补充道：“想到医生做出预测并执行预测，就好像它是真实的一样，而没有经过CAGI等实体的评估，这是我最糟糕的噩梦。”