A Google DeepMind bemutatta az Alphagenome-t, egy erőteljes új AI modellt, amelynek célja az emberi genetikai kód értelmezése és a DNS-variációk funkcionális következményeinek előrejelzése. A Nobel-díjas Alphafold rendszer nyomában követve az Alphagenome jelentős előrelépést jelent a vállalat ambiciózus stratégiájában az AI alkalmazására az alapvető tudományos kihívásokra, azzal a céllal, hogy drasztikusan felgyorsítsa a biológiai kutatásokat és a betegség megértését. A Jelentés a MIT Technology Review-ban, a MIT technológiai áttekintésben, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának, a MIT technológiájának jelentése. Keret először. Ez segíthet a kutatóknak, hogy végre megértsék az emberi genetikai variációk 98%-át, amely nem kódoló és nagyrészt megcáfolhatatlan maradt. Target=”_ blank”> tisztázza Az eszközt nem a személyes genom előrejelzésére tervezték. A társaság kijelentette, hogy az alphigenom egy olyan kutatási eszköz, amelynek célja a molekuláris részletekről szóló nyomokat, nem pedig a 23andme-stílusú előrejelzéseket az egyén tulajdonságairól. Science Blueprint
Az Alphagenome kiadása a Google DeepMind kifejezett „AI tudomány” kezdeményezésének legújabb oszlopa. Ez az erőfeszítés egyértelmű mintát követi a magas profilú modellek egyértelmű mintáját, mindegyik megkülönböztetett tudományos domain-t célozza meg. 3 A fehérje interakciókhoz. Ezek az eszközök együttesen következetes stratégiát mutatnak: olyan erőteljes, domén-specifikus AI létrehozása, amely a hatalmas kombinatorikus tereket elemezheti új megoldások megtalálására és a felfedezés felgyorsítására. Az elsődleges kutatási dokumentum szerint a modell egy hatalmas generációs szintű dna-szekvenciát feldolgoz, hogy a modell egy hatalmas generációs szintet dolgozzon fel, hogy ezer molekuláris kimenetelű kimenetelek előrejelzése szerint több ezer molekuláris kimenetelű kimeneteljéket előre jelezzék, hogy ezer molekuláris kimenetelű kimenetelek előrejelzése szerint több ezer molekuláris kimenetelű kimenetet előre jelezzenek. Cell-Sokan az egyetlen bázis-pár felbontásnál. Ez a folyamat egyetlen „hallgatói” modell képzését jelentette egy 64, függetlenül képzett „tanár” modell együttes ismereteinek reprodukálására, ez a módszer jelentősen javítja a robusztusságot. A kutatók számára a modell nem-commercial használatra lesz elérhető egy online api , a climal=”_ üres”> golyome. Suite A GitHub-on is biztosított. Caleb Lareau, a Memorial Sloan Kettering Cancer Center számítási biológusa, aki korai hozzáféréssel rendelkezett, magyarázta . Jó első kitalálás arról, hogy mit fog tenni bármelyik változat, amikor egy emberben megfigyeljük.”Ez különösen hasznos lehet a ritka rákok és a genetikai betegségek potenciális okainak szűkítésében azáltal, hogy gyorsan meghatározza, hogy a variánsok közül melyik funkcionálisan fontos. A Legutóbbi interjú , Demis Hassabis, a „virtuális cella” létrehozásának elképzelése alapján kidolgozta, amelyet a biológia „digitális ikreként” írt ki. Elmagyarázta, hogy a végső cél az, hogy túllépjen az egyszerű előrejelzésen túl a teljes méretű szimulációra. “The virtual cell is one of the grand challenges. It’s about moving from prediction to true understanding and simulation. Imagine being able to model the entire lifecycle of a cell, introduce a mutation, and watch what happens. That’s the dream that drives us.”