كيف يمكن لرسم خرائط الجينوم أن يساعد الباحثين على فهم الأمراض بشكل أفضل
تساعد أدوات Google DeepMind المتمثلة في AlphaGenome وAlphaGenome Atlas الباحثين في فك شفرة الجينوم البشري. من خلال التنبؤ بتأثير الاختلافات الجينية، تساعد هذه النماذج في تحديد الطفرات المسببة للأمراض بشكل أسرع، مما يسرع اكتشاف علاجات للأمراض النادرة ويحسّن الطب المخصص.
الوسوم
ملخص سريع
تساعد أدوات Google DeepMind المتمثلة في AlphaGenome وAlphaGenome Atlas الباحثين في فك شفرة الجينوم البشري. من خلال التنبؤ بتأثير الاختلافات الجينية، تساعد هذه النماذج في تحديد الطفرات المسببة للأمراض بشكل أسرع، مما يسرع اكتشاف علاجات للأمراض النادرة ويحسّن الطب المخصص.
كيف يمكن لرسم خرائط الجينوم أن يساعد الباحثين على فهم الأمراض بشكل أفضل
يعمل الجينوم البشري كدليل توجيهي للجسم، حيث يحتوي على ما يقرب من 3 مليار زوج قاعدي من الحمض النووي يحدد كيفية عمل الوظائف البيولوجية. وعلى الرغم من قدرة العلماء على قراءة هذا التسلسل بالكامل منذ فترة طويلة، إلا أن فك شفرة المعاني المحددة للشفرة الوراثية — وخاصة "المادة المظلمة" غير المشفرة التي تنظم التعبير الجيني ومخاطر الأمراض — لا يزال يمثل تحديًا كبيرًا. يُصوَّر تحديد أي تغييرات محددة في الحمض النووي تسبب الأمراض غالبًا على أنه البحث عن إبرة في كومة قش. ولمعالجة ذلك، طورت Google DeepMind أدوات ذكاء اصطناعي، وتحديدًا AlphaGenome وAlphaGenome Atlas، المصممة لتسريع عملية فهم آليات الأمراض.
حجم التنوع الوراثي
تكمن تعقيدات الجينوم في إمكانياته الهائلة للتنوع. يتكون تسلسل الحمض النووي من أربع قواعد، تُعرف بالأحرف: الأدينين (A)، والثايمين (T)، والسيتوزين (C)، والجوانين (G). تعمل هذه الأحرف كأبجدية بيولوجية. ونظرًا لأن أيًا من هذه الأحرف يمكن استبداله بأحد الأحرف الثلاثة الأخرى، فهناك 9 مليار تغيير محتمل لحرف واحد داخل الجينوم. يسبب العديد من الأمراض الوراثية تغيير واحد فقط من هذه التغييرات المحددة.
لكن إجراء مليارات الدراسات الميدانية لتحديد أي التغييرات لها تأثير ليس ممكنًا بالنسبة للعلماء بسبب قيود الوقت والموارد. وكما أشار عالم الأبحاث في Google DeepMind، Žiga Avsec، الذي يشرف على مبادرة علم الجينوم، فإن الحجم الهائل للتنوعات المحتملة يتطلب نهجًا جديدًا للتنبؤ.
AlphaGenome وAlphaGenome Atlas
لمواجهة هذا التحدي، طورت Google DeepMind AlphaGenome، وهو نموذج قادر على أخذ تسلسل جزئي من الحمض النووي بطول 1 مليون زوج قاعدي وإصدار آلاف التنبؤات. من خلال مقارنة هذه التنبؤات المتعلقة بتغييرات الحمض النووي، يمكن للعلماء تحديد أكثر التنويعات أهمية بسرعة أكبر.
استنادًا إلى هذا النموذج، أنشأ الفريق أطلس AlphaGenome، وهو مجموعة بيانات ضخمة تتيح للعلماء اتخاذ قرارات بشأن ما يجب دراسته بشكل أسرع. عند تسلسل جينوم مريض يعاني من مرض نادر، قد تكشف البيانات الناتجة عن وجود 4 مليون متغير — أي 4 مليون طريقة يختلف بها جينومهم الوراثي عن الجينوم البشري المرجعي القياسي. حتى عند تضييق القائمة لتشمل فقط المتغيرات النادرة، قد يظل لدى الباحثين مئات أو آلاف الخيارات.
يتصدى أطلس AlphaGenome لهذا العائق من خلال توفير درجة واحدة سهلة القراءة، وهي درجة AVI (تأثير متغيرات AlphaGenome). تشير هذه الدرجة على الفور إلى التأثير المحتمل لأي متغير في الجينوم بأكمله، مما يساعد الباحثين على تحديد الأولويات وإيجاد أكثر التغييرات تأثيرًا بسهولة لمتابعتها.
من قراءة الحمض النووي إلى فهم الآليات
تتجاوز فائدة هذه الأدوات مجرد التعرف البسيط. وفقًا لشركة Google DeepMind، تساعد أدوات مثل AlphaGenome المجتمع العلمي على الانتقال من مجرد قراءة الحمض النووي إلى مساعدة الباحثين على فهم الآليات الجزيئية وراء المرض بشكل أفضل. يوفر هذا التحول للباحثين اتجاهات جديدة للاختبار، مما يمثل خطوة مهمة نحو الهدف طويل الأمد المتمثل في محاكاة الخلية البشرية بالكامل رقميًا.
على المدى القصير، الهدف هو استخدام الذكاء الاصطناعي لفهم "قواعد" الجينوم بشكل أفضل والتنبؤ بدقة بتأثيرات الطفرات. أما على المدى الطويل، فتسعى شركة Google DeepMind إلى البناء على هذا الأساس لإنشاء محاكاة رقمية كاملة للخلية البشرية. سيتيح ذلك للباحثين نمذجة آليات المرض حسابيًا، وفهم الحالات الوراثية النادرة، واختبار العلاجات المحتملة دون الحاجة المباشرة إلى التجارب الفيزيائية.
التطبيقات العملية ودراسات الحالة
يستخدم الباحثون بالفعل هذه الأدوات لتطوير العلم. استخدم جاريث هوكس، أحد زملاء مجلس البحوث الطبية في جامعة إكستر، أطلس AlphaGenome لتضييق قائمة تضم 1 مليار متغير وراثي. من خلال التركيز على أكثر المتغيرات تأثيرًا، وهي 1%، حدد 19 مجموعة من المتغيرات المرتبطة بمؤشر كتلة الجسم لتحديدها كأولويات في أبحاثه.
بالمثل، استخدمت لورا كوفيل، وهي باحثة في معهد برود، درجة AVI لتحديد الأنواع الجينية ذات الأولوية في أبحاثها حول الأمراض النادرة غير المحلولة. حددت خريطة AlphaGenome نوعًا جينيًا حاسمًا مرتبطًا باضطرابات التطور العصبي، مما وفر أدلة داعمة أساسية ساهمت في أبحاثهم اللاحقة، بما في ذلك حل الحالة.
توضح هذه الأمثلة كيف يمكن لهذه الأدوات تسريع الأبحاث التي قد تساعد المجتمع على تحسين قدرته على تشخيص وتخصيص العلاج للمرضى الذين يعانون من اضطرابات جينية نادرة أو غير موصوفة سابقًا. علاوة على ذلك، يمكن لهذه القدرات تسريع عمليات اكتشاف الأدوية من خلال مساعدة الباحثين في مجال الصيدلة على تحديد وتأكيد الأهداف العلاجية ذات الاحتمالية العالية بشكل أسرع. وخارج مجال الرعاية الصحية، يمكن لبنية النموذج أن تساعد الباحثين في مواجهة تحديات اجتماعية أوسع، بما في ذلك تطوير محاصيل قادرة على التكيف مع التغيرات المناخية.
القيود والاتجاهات المستقبلية
على الرغم من التقدم المحرز، هناك قيود على التكنولوجيا الحالية. تم إطلاق AlphaGenome في يونيو 2025، وتم تقديم خريطة AlphaGenome في سبتمبر 2026.، وعلى الرغم من أن النموذج من أحدث ما توصل إليه العلم، إلا أنه تم تدريبه في الغالب على بيانات من أنسجة كاملة أو خطوط خلوية. تعترف Google DeepMind بأن أنواع الخلايا الفردية في تلك الأنسجة لها دور محدد للغاية وقد تعمل بشكل خاطئ في حالات المرض، وقد تؤدي متوسطات الأنسجة الكاملة إلى إخفاء ذلك.
لمعالجة هذه المشكلة، أطلق الفريق AlphaGenome 2.، وهو النموذج الأحدث الذي يتصدى للقيد الرئيسي المتمثل في تخصص أنواع الخلايا. فهو يتجاوز المتوسطات على مستوى الأنسجة للتنبؤ بكيفية تأثير الأنواع الجينية على هذه الأنواع الخلوية الفردية، مما يساعد الباحثين على تحديد العوامل الخلوية المسببة للمرض.
بالإضافة إلى ذلك، تعمل Google DeepMind بنشاط على استكشاف طرق أفضل لقياس مدى ثقة النموذج في تنبؤاته حتى يعرف الباحثون مدى مصداقية كل نتيجة. من التحليلات المبكرة، تبين أن الأنواع الجينية ذات التأثيرات المتوقعة بقوة تكون جيدة جدًا وتحقق مستويات عالية من الدقة. ومع ذلك، تؤكد الشركة المطورة أنه يجب على كل من يستخدم AlphaGenome تفسير تنبؤاته بالاستعانة بمصادر معلومات أخرى.
الخلاصة
نُظم دمج الذكاء الاصطناعي في رسم خرائط الجينوم يمثل تحولًا كبيرًا في الطريقة التي يتبعها الباحثون لفهم الأمراض. من خلال الاستفادة من AlphaGenome وAlphaGenome Atlas، يمكن للعلماء التعامل مع تعقيدات 3 مليار زوج قاعدي من الحمض النووي البشري بكفاءة أكبر. تساعد هذه الأدوات في تحويل المهمة المعقدة للعثور على شيء معين وسط كمية هائلة من المعلومات إلى عملية قابلة للإدارة تعتمد على تحديد الأولويات والتنبؤ. مع تطور نماذج مثل AlphaGenome 2 لمعالجة خصوصية أنواع الخلايا وقياس مستوى الثقة، يستمر الإمكانية في محاكاة الخلايا البشرية رقميًا وتخصيص العلاجات للأمراض النادرة في التوسع. المصدر: https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-disease-research



