\u017diga Avsec Natasha Latysheva Jun Cheng Guido Novati Kyle R. Taylor Tom Ward Clare Bycroft Lauren Nicolaisen

Abstract

Tieflernmodelle, die funktionelle genomische Messungen aus der DNS-Sequenz vorhersagen, sind mächtige Werkzeuge zur Entschlüsselung des genetischen Regulatorcodes. Bestehende Methoden finden einen Kompromiss zwischen der Länge der Eingabe-Sequenz und der Vorhersageauflösung, was ihre Modalitätsvielfalt und Leistung einschränkt. Wir stellen AlphaGenome vor, ein Modell, das eine Eingabe von 1 Megabase DNS-Sequenz verarbeitet und tausende funktionelle genomische Tracks bis zu einer Auflösung von einem einzelnen Basenpaar in verschiedenen Modalitäten vorhersagt – darunter Genexpression, Transkriptionsinitiation, Chromatinzugänglichkeit, Histonenmodifikationen, Bindung von Transkriptionsfaktoren, Chromatin-Kontaktkarten, Verwendung von Splice-Sites sowie Koordinaten und Stärke von Splice-Junctions. Auf den menschlichen und mausartigen Genomen trainiert, übertreffen die Vorhersagen von AlphaGenome bei 24 von 26 Bewertungen der Effekte von Varianten die besten bisher bekannten externen Modelle. Die Fähigkeit von AlphaGenome, die Effekte von Varianten gleichzeitig in allen Modalitäten zu bewerten, reproduziert die Mechanismen klinisch relevanter Varianten in der Nähe des Onkogens TAL1 präzise. Um eine breitere Nutzung zu erleichtern, stellen wir Tools bereit, mit denen Genome-Tracks und Effekte von Varianten aus Sequenzen vorhergesagt werden können.