Nach Proteinen liest Googles KI dunkle Materie in der DNA

Nach AlphaFold , dem künstlichen Intelligenzmodell zur Entschlüsselung der 3D-Struktur von Proteinen, für das John Jumper, David Baker und Damis Hassabis 2024 den Nobelpreis für Chemie erhielten, präsentiert das Unternehmen Google DeepMind ein neues KI-Modell namens AlphaGenome . Es ist darauf ausgelegt, die sogenannte „Dunkle Materie“ der DNA zu lesen , also die Gesamtheit der genetischen Sequenzen , die nicht für Proteine ​​kodieren , aber deren Aktivität beeinflussen . Diese mysteriösen Sequenzen, die lange Zeit fälschlicherweise als „Junk-DNA“ abgestempelt wurden, machen den überwiegenden Teil der menschlichen DNA aus, nämlich gut 98 %. Das AlphaGenome-Modell wird in einem Artikel beschrieben, der von der wissenschaftlichen Gemeinschaft noch nicht geprüft wurde. „Der kodierende Teil unseres Genoms, der aus etwa 20.000 Genen besteht, ist mittlerweile gut bekannt “, erklärte Giuseppe Novelli, Genetiker an der Universität Tor Vergata in Rom, gegenüber ANSA. „ Der Rest ist jedoch extrem heterogen : Ein Teil besteht aus repetitiver DNA , ein anderer aus mobilen Elementen , die ihre Position verändern können. In jedem Fall handelt es sich immer um Gene , deren Anzahl auf 60.000 bis 63.000 geschätzt wird, die jedoch für RNA (das mit der DNA verwandte einzelsträngige Molekül) kodieren. Angesichts ihrer enormen Menge“, betont Novelli, „ ist es sehr wichtig, ein Tool wie dieses zu haben , das zumindest angeben kann, zu welcher Familie sie gehören.“ AlphaGenome kann lange DNA- Sequenzen mit bis zu einer Million Buchstaben lesen und Tausende von Vorhersagen über ihre Rolle und die möglichen Auswirkungen von Mutationen treffen. In einem Beispiel testeten Forscher unter der Leitung von Žiga Avsec das Modell mit einigen Mutationen, die bei Leukämiepatienten identifiziert wurden, und AlphaGenome konnte genau vorhersagen, dass die Mutationen indirekt ein benachbartes Gen aktivieren würden, das als eine der häufigsten Ursachen für diese Art von Tumor gilt. Die neue KI ist jedoch noch begrenzt , da sie nur mit Daten von Menschen und Mäusen trainiert wurde und Schwierigkeiten hat, wenn die Mutationen weit entfernte Gene verändern. „Angesichts der enormen Entwicklung, die RNA-basierte Medikamente derzeit und auch in Zukunft erleben werden“, ergänzt Novelli, „könnte uns ein Werkzeug, das uns die Vorhersage der Rolle dieser Moleküle ermöglicht, auch helfen, potenzielle Angriffspunkte für zukünftige Medikamente schneller zu identifizieren.“