
Нейросеть обучали на геномах со всей ветви жизни, чтобы она научилась предсказывать эффект мутаций и собирать цифровые геномы бактерий и митохондрий.
(Иллюстрация GigaChat)
О геномах, созданных искусственным интеллектом, впервые писали в прошлом году: тогда речь шла о геномах бактериофагов, которые, несмотря на происхождение от ИИ, оказались способны заражать бактериальные клетки. На днях те же исследователи опубликовали в Nature работу, где показали, что похожим способом можно проектировать не только вирусы, но и геномы бактерий, митохондрий и частично — дрожжей. Пока эти новые геномы существуют только в цифровом виде; их работоспособность в живых клетках не проверяли.
Почему задача сложнее, чем кажется
В любом геноме действует сложная сеть взаимодействий: это касается не только кодирующих последовательностей — тех самых «генов», хранящих информацию о белках — но и множества регуляторных участков. Совокупный объём регуляторных элементов значительно превышает размер кодирующих фрагментов. Белки, закодированные генами, влияют друг на друга; один регуляторный блок может контролировать сразу несколько генов; разные регуляторы — один и тот же участок. Эффект мутаций в значимых регионах зависит от таких взаимосвязей, и поэтому предсказать последствия просто по отдельной последовательности часто трудно.
При этом геномы родственны друг другу в той или иной степени — порой очень отдалённо. Эволюционное родство проявляется не только в самих последовательностях, но и в организации генов и регуляторных участков внутри хромосом. Зная общие признаки генома группы организмов, можно попытаться сконструировать новый вариант с чертами, отсутствующими у естественных родственников.
Как работает Evo2
В описанном эксперименте использовали алгоритм под названием Evo2, родственник AlphaFold и ChatGPT. Модель обучали на полных геномах более чем 100 тысяч видов со всего древа жизни — от вирусов и бактерий до человека. Общее число генетических «букв», пропущенных через Evo2, превысило 9,3 триллиона.
Нейросеть решала разные задачи: в том числе предсказывала, как конкретная мутация скажется на организме, и для кодирующих, и для некодирующих участков генома. На одном из тестовых участков — гене BRCA1, известном связью с риском рака молочной железы — Evo2 различал опасные и нейтральные мутации с точностью примерно 90%.
В другом наборе испытаний алгоритм генерировал целые геномы, приближённые к естественным: исследователи получили цифровые версии генома бактерии Mycoplasma genitalium, митохондриального генома и одну из хромосом пекарских дрожжей. Проверка правдоподобия показала, что для генома бактерии доля генов, похожих на настоящие, составила около 70%.
Ограничения и выводы авторов
Авторы подчёркивают, что цифровое сходство — ещё не гарантия жизнеспособности. Если клетка с таким геномом должна жить и функционировать, важно учитывать оставшиеся ~30%: мало иметь набор необходимых генов, важно их расположение. Неверная архитектура генома может привести к тому, что даже присутствующие гены будут работать неправильно.
Ещё до публикации у исследователей возникали вопросы: геномы, которые генерирует Evo2, отличаются по архитектуре от природных. Это не означает автоматически, что ИИ‑геном не сможет работать, но подчёркивает необходимость экспериментальной валидации. По словам авторов, на данном этапе достаточно, если нейросеть с высокой точностью предсказывает эффект мутаций — это уже экономит исследователям много лабораторной работы и снижает число лишних экспериментов.
Бактерию M. genitalium выбрали не случайно: у неё всего 525 генов, из которых 470 кодируют белки; жизненно важных — 375. Её геном — один из самых небольших среди живых организмов (за исключением вирусов). Микоплазмы давно используются в экспериментах по замене природной ДНК на синтетические копии. Помимо этого встречаются проекты по изменению самого генетического кода — когда переписывают соответствие триплетов аминокислотам. Проектирование генома с помощью ИИ открывает более масштабные возможности изменений генетического текста, но пока достижения Evo2 и подобных систем требуют проверки в «живых» экспериментах.






