GPN-Star: model językowy, który uczy się czytać DNA jak tekst

Zespół z Uniwersytetu Kalifornijskiego w Berkeley opracował narzędzie, które ocenia, jak istotne biologicznie są poszczególne zmiany w DNA. Opis metody, nazwanej GPN-Star, trafił do czasopisma Nature. Autorzy twierdzą, że model przewyższa dotychczasowe podejścia w wielu zadaniach związanych z analizą wariantów genetycznych - dotyczy to zarówno sekwencji kodujących białka, jak i pozostałych fragmentów genomu. Dzięki niemu można wskazać, które zmiany zasługują na bliższą analizę, co ma ogromne znaczenie, bo sprawdzenie każdego możliwego wariantu w praktyce jest nieopłacalne i trudne do zrealizowania.

DNA to nie jest zwykły tekst do przeczytania

Warto pamiętać, że jedynie 1-2% ludzkiego DNA odpowiada za kodowanie białek. Cała reszta obejmuje między innymi elementy regulacyjne, które decydują o tym, kiedy, gdzie i z jaką siłą dany gen się uaktywnia - nie są to bezużyteczne pozostałości, jak czasem błędnie się je nazywa. Zmiana w takim miejscu może wpłynąć na cechy organizmu, choć sama instrukcja budowy białka pozostaje niezmieniona. Z tego powodu poszukiwanie wariantów powiązanych z chorobami wymaga innego podejścia - i właśnie taki cel realizuje nowy model.

Modele językowe stworzone do analizy DNA wyszukują powtarzające się wzorce w sekwencjach złożonych z czterech liter: A, C, G i T - to nimi zapisana jest informacja genetyczna każdego człowieka, w tym redaktora naczelnego serwisu, Grzegorza. Każdy organizm ma unikalną sekwencję, choć wszystkie są do siebie podobne w ogólnym schemacie. GPN-Star działa tak, że odgaduje zamaskowane litery, opierając się na sekwencji je otaczającej oraz na odpowiadających fragmentach genomów innych gatunków. Dzięki temu uczy się, jakie zmiany wpisują się w naturalny wzorzec, a które mogą zakłócać delikatną równowagę biologiczną. Modele językowe, będące w istocie zaawansowanymi maszynami statystycznymi, radzą sobie z takim zadaniem wyjątkowo dobrze.

Porównania między gatunkami z uwzględnieniem ewolucji

Sam zbiór sekwencji genetycznych nie informuje modelu, które fragmenty DNA różnych gatunków są sobie odpowiednikami. Dlatego naukowcy wykorzystali dopasowania całych genomów - algorytmy zestawiają w nich odpowiadające sobie odcinki, ujawniając, które miejsca przetrwały niezmienione przez miliony lat ewolucji, a które ulegały modyfikacjom. GPN-Star bierze też pod uwagę drzewo pokrewieństwa gatunków, dzięki czemu podobieństwa sekwencji są analizowane w pełnym kontekście ewolucyjnym.

To daje modelowi wyraźną przewagę, ponieważ dobór naturalny zwykle eliminuje zmiany szkodliwe dla organizmu - na tym właśnie polega jego mechanizm. Fragment DNA, który przetrwał niezmieniony przez długi czas, prawdopodobnie odgrywa ważną funkcję. Sama zachowana zgodność sekwencji nie mówi jednak, czy dany wariant wywołuje konkretną chorobę. Model łączy te informacje z analizą otoczenia danego miejsca w genomie, co pozwala precyzyjniej ocenić potencjalne skutki zmiany.

Testy praktyczne modelu

Badacze zbudowali trzy warianty modelu dla genomu ludzkiego, oparte na porównaniach z kręgowcami, ssakami i naczelnymi - każdy zestaw obejmował inny zakres historii ewolucyjnej. Dane pochodzące z bardziej odległych gałęzi drzewa ewolucyjnego okazały się lepsze przy ocenie rzadkich wariantów zmieniających strukturę białek, ponieważ takie sekwencje bywają podobne nawet u gatunków, które rozeszły się bardzo dawno. Z kolei w testach wariantów podejrzewanych o powodowanie chorób, ale znajdujących się poza obszarami kodującymi - katalogowanych w bazach OMIM i HGMD - najlepiej sprawdził się model trenowany na porównaniach z ssakami.

W przypadku cech uwarunkowanych przez wiele wariantów genetycznych lepiej wypadał model uczony na genomach naczelnych - podobnie było przy analizach dotyczących ryzyka schizofrenii. Autorzy wiążą tę różnicę z odmiennym tempem ewolucji poszczególnych fragmentów genomu, w tym obszarów regulacyjnych.

Trening trwał zaledwie kilka dni

Najsilniejsze wersje GPN-Star liczyły po 200 mln parametrów i wymagały treningu trwającego kilka dni na ośmiu układach NVIDIA A100. Dla porównania - dotychczas wiodący model Evo 2 potrzebował ponad 2000 układów H100 i kilku miesięcy pracy. Oba modele mają różne zastosowania, więc uczciwe porównanie wymagałoby zestawienia ich w podobnych kategoriach zadań. Mimo to znacznie niższe wymagania sprzętowe GPN-Star mogą pomóc innym zespołom badawczym dopasować to narzędzie do własnych potrzeb naukowych.

Powstały już wersje modelu dla myszy, kur, muszki owocowej, nicienia Caenorhabditis elegans oraz rzodkiewnika pospolitego. Zespół badawczy opublikował również przewidywania dotyczące wariantów w genomie ludzkim. Biolodzy mogą z nich korzystać przy wyborze genów i elementów regulacyjnych do dalszych badań, na przykład nad chorobami. Nie oznacza to jednak, że naukowcy potrafią już swobodnie odczytywać i edytować całą sekwencję DNA, aby na tej podstawie zaprojektować organizm - podobnie jak tworzy się kod w ChatGPT. Genom pozostaje mechanizmem tak złożonym i trudnym do w pełni zrozumienia, że taki scenariusz w najbliższym czasie się nie zmaterializuje. Obecne modele wspierają badaczy w analizach, ale nie służą do budowania człowieka od podstaw, jak w Xcode, Canvie, ChatGPT czy Claude - takie porównania są zresztą zbyt uproszczone wobec rzeczywistej złożoności DNA.