Google DeepMind เปิดตัว AlphaGenome 2 AI ที่อ่าน DNA ได้ลึกถึงระดับเซลล์

เซลล์กล้ามเนื้อหัวใจกับเซลล์ภูมิคุ้มกันในร่างกายเราถือ DNA ชุดเดียวกันทุกตัวอักษร แต่กลับทำงานคนละหน้าที่ เพราะแต่ละเซลล์เลือกเปิดและปิดยีนไม่เหมือนกัน คำถามว่าความต่างเล็ก ๆ ใน DNA ของแต่ละคนไปกระทบการเปิดปิดยีนในเซลล์ชนิดไหนบ้าง คือโจทย์ที่ Google DeepMind ตั้งใจตอบด้วย AlphaGenome 2 โมเดล AI รุ่นใหม่ที่เพิ่งเปิดตัว

AlphaGenome 2 ทำนายว่าลำดับ DNA และความแปรผันทางพันธุกรรม (Genetic Variant) หรือตัวอักษรใน DNA ที่ต่างกันไปในแต่ละคน ส่งผลต่อเซลล์มนุษย์แต่ละชนิดอย่างไร โมเดลเรียนรู้จากข้อมูลระดับเซลล์เดี่ยว (Single-cell) กว่า 107 ล้านเซลล์ ครอบคลุมเนื้อเยื่อ 68 ชนิด และในการทดสอบหนึ่งก็ระบุความแปรผันที่ทำให้การทำงานของยีนเปลี่ยนไปได้มากกว่ารุ่นก่อนเกือบเท่าตัว เป้าหมายคือให้นักวิทยาศาสตร์มีเครื่องมือค้นหาว่าเซลล์ชนิดไหนคือต้นตอของโรค

รุ่นนี้ต่อยอดจาก AlphaGenome รุ่นแรกที่ DeepMind เปิดตัวเมื่อปีที่แล้ว ซึ่งทำนายผลของความแปรผันได้ในระดับเนื้อเยื่อกว้าง ๆ ก่อนจะขยายเป็น AlphaGenome Atlas ฐานข้อมูลคำทำนายของการเปลี่ยนตัวอักษรเดี่ยวทุกแบบที่เป็นไปได้ในจีโนมมนุษย์ รวม 9,000 ล้านแบบ เครื่องมือชุดนี้ช่วยให้นักวิจัยคัดกรองและตีความความแปรผัน จนนำไปสู่การค้นพบทั้งในโรคหายาก ลักษณะทางพันธุกรรมที่ซับซ้อน และชีววิทยาพื้นฐาน ส่วน AlphaGenome 2 คือการซูมจากค่าเฉลี่ยของทั้งเนื้อเยื่อลงไปถึงเซลล์แต่ละชนิดและแต่ละสถานะ

ทำไมต้องอ่าน DNA ทีละชนิดเซลล์ แทนการอ่านทั้งเนื้อเยื่อพร้อมกัน

AlphaGenome รุ่นแรกรับลำดับ DNA ยาวหนึ่งล้านตัวอักษร แล้วทำนายผลการทดลองนับพันรายการจากหลายเนื้อเยื่อไปพร้อมกันในรอบเดียว วิธีนี้ประหยัดก็จริง แต่ทำให้ความสามารถของโมเดลถูกเกลี่ยบางลง จนจับความต่างเล็ก ๆ ระหว่างเซลล์ที่คล้ายกันได้ยาก

DeepMind จึงรื้อวิธีที่โมเดลมองเซลล์ใหม่ทั้งหมด โดยทำให้ AlphaGenome 2 เป็นโมเดลแบบกำหนดเงื่อนไข (Conditional Model) ที่ทำนายผลของ DNA ทีละเงื่อนไข เช่น เนื้อเยื่อหนึ่ง เซลล์ชนิดหนึ่ง หรือสถานะหนึ่งของเซลล์ เงื่อนไขนั้นถูกป้อนเข้าไปพร้อมลำดับ DNA ในทุกชั้นของโมเดล ผลคือโมเดลเรียนรู้ได้ว่า 'DNA ท่อนเดียวกันถูกเซลล์ต่างชนิดอ่านต่างกันอย่างไร'

ด้านผลลัพธ์ AlphaGenome 2 ยังทำนายค่าหลักชุดเดียวกับรุ่นแรก ได้แก่ ระดับการทำงานของยีน (Gene Expression) การดัดแปลงโปรตีนฮิสโตนที่ DNA พันอยู่ (Histone Modification) และความเปิดของโครมาทิน (Chromatin Accessibility) ซึ่งบอกว่า DNA ช่วงนั้นคลายตัวพอให้เซลล์อ่านได้หรือไม่ แต่รุ่นนี้เพิ่มการทำนายการเติมหมู่เมทิลบน DNA (DNA Methylation) ซึ่งเป็นเครื่องหมายทางเคมีที่มักสัมพันธ์กับการปิดยีน และเป็นข้อมูลที่นักวิจัยขอกันมาก

การออกแบบแบบนี้ยังพาความสามารถใหม่ติดมาด้วย เพราะโมเดลแยกสถานะทางชีวภาพของเซลล์ออกจากผลลัพธ์ที่วัดได้ หากนักวิทยาศาสตร์ป้อนผลการวัดเพียงอย่างเดียว เช่น การทำงานของยีนในระดับเซลล์เดี่ยว AlphaGenome 2 ก็คาดการณ์ค่าที่ยังไม่ได้วัดอย่างความเปิดของโครมาทินต่อได้ ซึ่งช่วยให้นักวิจัยตัดสินใจได้ว่าควรทำการทดลองไหนก่อน

หาจุดเปลี่ยนใน DNA ที่กระทบยีนเจอมากขึ้นเกือบเท่าตัว

ผลของการออกแบบใหม่เห็นชัดในการทดสอบ เมื่อเจอ DNA ช่วงที่ไม่เคยอยู่ในข้อมูลฝึก AlphaGenome 2 อธิบายได้ดีกว่าเดิมอย่างมีนัยสำคัญว่าการทำงานของยีนต่างกันอย่างไรระหว่างเซลล์หลายชนิดในเนื้อเยื่อเดียวกัน และยังติดตามการเปลี่ยนแปลงที่ค่อยเป็นค่อยไปได้ เช่น ช่วงที่เซลล์ต้นกำเนิดเม็ดเลือดเจริญไปเป็นเม็ดเลือดแดงและเซลล์ภูมิคุ้มกันสายต่าง ๆ

ตัวเลขที่ชัดที่สุดมาจากชุดข้อมูล TenK10K ซึ่งเป็นแผนที่ระดับเซลล์เดี่ยวของเซลล์ภูมิคุ้มกัน 28 ชนิด บนชุดข้อมูลนี้ AlphaGenome 2 ระบุความแปรผันที่เป็นต้นเหตุ (Causal Variant) ได้ 30% เทียบกับ 16% ของ AlphaGenome รุ่นแรกที่ปรับจูนด้วยข้อมูลเซลล์เดี่ยวแล้ว และระบุผลต่อยีนพร้อมทิศทางว่าทำให้ยีนทำงานมากขึ้นหรือน้อยลงได้ 43% เทียบกับ 23% โดยยังทำได้ดีกว่าเครื่องมือเฉพาะทางอื่น ๆ ด้วย ความแม่นระดับนี้ช่วยให้นักวิจัยเจอความแปรผันที่เคยถูกมองข้าม

อีกบททดสอบคือโรคลำไส้อักเสบเรื้อรัง หรือ Inflammatory Bowel Disease (IBD) งานวิจัยสำคัญที่ตีพิมพ์ในวารสาร Nature เมื่อปี 2024 พบว่าความแปรผันในสวิตช์ควบคุมยีนที่อยู่ห่างออกไป เป็นตัวขับให้เกิด IBD ผ่านการกระตุ้นยีน ETS2 ให้ทำงานมากเกินไปในแมโครฟาจ (Macrophage) ซึ่งเป็นเซลล์ภูมิคุ้มกันในลำไส้ เมื่อให้ AlphaGenome 2 ทำนายในเซลล์ภูมิคุ้มกันหลายชนิดของลำไส้ โมเดลก็ได้ข้อสรุปเดียวกันจากการคำนวณล้วน ๆ โดยชี้ความแปรผันที่เป็นต้นเหตุได้ถูกตัว และแสดงว่ามันกระตุ้นยีน ETS2 เฉพาะในแมโครฟาจของลำไส้ ขณะที่เซลล์ชนิดอื่นและยีนอื่นแทบไม่ได้รับผลกระทบ

เซลล์ที่ไม่เคยเห็นมาก่อน ก็อ่านได้โดยไม่ต้องเทรนใหม่

ความสามารถของ AlphaGenome 2 ไม่ได้จำกัดอยู่แค่เซลล์ที่อยู่ในข้อมูลฝึก เพราะโมเดลรับข้อมูลการทดลองระดับเซลล์เดี่ยวชุดใหม่ได้ทันทีโดยไม่ต้องเทรนใหม่ นักวิทยาศาสตร์อัปโหลดข้อมูลการทำงานของยีนจากเซลล์เพียงไม่กี่สิบเซลล์ ระบบจะย่อข้อมูลนั้นเป็นตัวแทนสถานะของเซลล์ แล้วใช้เป็นเงื่อนไขให้โมเดลทำนายสถานะที่ไม่เคยเห็นมาก่อน DeepMind ระบุว่าผลที่ได้ทัดเทียมหรือดีกว่าโมเดลที่เทรนหรือปรับจูนกับชุดข้อมูลนั้นโดยตรง

ความสามารถนี้เปิดทางให้ทำนายผลของความแปรผันในเซลล์ที่เปลี่ยนสถานะไปเพราะโรคหรือหลังฉีดวัคซีน ตัวอย่างหนึ่งคือข้อมูลจากงานวิจัยวัคซีนโควิด-19 ชนิด Messenger RNA (mRNA) ที่โมเดลไม่เคยเห็น AlphaGenome 2 แยกทีเซลล์ (T Cell) ที่ถูกวัคซีนกระตุ้นออกจากทีเซลล์ที่อยู่ในภาวะพักได้ และยังพบว่าความแปรผันที่สัมพันธ์กับอาการโควิด-19 รุนแรง รบกวนการทำงานของยีนหนักขึ้นเมื่อเซลล์อยู่ในสถานะถูกกระตุ้น ซึ่งเป็นผลที่จะมองไม่เห็นเลยหากดูแค่เซลล์ที่ยังไม่ถูกกระตุ้น

จุดนี้เองที่ Sarah Teichmann ศาสตราจารย์ด้านเวชศาสตร์เซลล์ต้นกำเนิด มหาวิทยาลัยเคมบริดจ์ และผู้ร่วมก่อตั้งโครงการ Human Cell Atlas ซึ่งเป็นความร่วมมือระดับโลกในการทำแผนที่เซลล์ในร่างกายมนุษย์ มองว่าน่าตื่นเต้นที่สุด โดย Sarah Teichmann ระบุว่า "สิ่งที่ทำให้ AlphaGenome 2 น่าตื่นเต้นคือการปรับตัวเข้ากับข้อมูลเซลล์เดี่ยวชุดใหม่ได้โดยตรงโดยไม่ต้องเทรนใหม่ และทำนายได้ว่าความแปรผันใน DNA ทำงานอย่างไรในสถานะเซลล์ที่เพิ่งวัดมา แม้จะมีตัวอย่างเซลล์เพียงเล็กน้อย"

เชื่อมงานวิจัยพันธุกรรมเข้ากับแผนที่เซลล์ของร่างกาย

จากการอ่านเซลล์รายชนิด DeepMind ขยับไปสู่โจทย์ที่ใหญ่กว่า นั่นคือการเชื่อมพันธุศาสตร์มนุษย์เข้ากับชีววิทยาของเซลล์ งานวิจัยแบบ Genome-Wide Association Study (GWAS) หรือการสแกนทั้งจีโนมเพื่อหาว่าตำแหน่งไหนใน DNA สัมพันธ์กับลักษณะหรือโรคใด ได้พบความแปรผันที่เกี่ยวข้องแล้วหลายพันตำแหน่ง แต่การโยงตำแหน่งเหล่านี้เข้ากับแผนที่เซลล์ระดับเซลล์เดี่ยวที่ใหญ่ขึ้นเรื่อย ๆ ยังเป็นงานยาก

เพื่อให้นักวิจัยไม่ต้องรันการคำนวณขนาดใหญ่เอง DeepMind จึงคำนวณผลทำนายของ AlphaGenome 2 ไว้ล่วงหน้าสำหรับความแปรผันที่สัมพันธ์กับลักษณะต่าง ๆ ครอบคลุมเซลล์และเนื้อเยื่อมนุษย์หลายร้อยแบบ โดยมุ่งแก้ 2 ปัญหาหลัก

ปัญหาแรกคือการหาว่าสวิตช์ตัวไหนคุมยีนตัวไหน ความแปรผันที่เกี่ยวกับโรคจำนวนมากอยู่ในเอนแฮนเซอร์ (Enhancer) หรือสวิตช์ควบคุมยีนที่อยู่ห่างจากตัวยีน จึงตามรอยผลกระทบได้ยาก ประกอบกับการทดลองในห้องแล็บส่วนใหญ่ทำกับเซลล์เพาะเลี้ยงที่เสถียร นักวิทยาศาสตร์จึงมักไม่มี 'ผังการเดินสายของเซลล์จริงในร่างกาย' AlphaGenome 2 ขยายการจับคู่เอนแฮนเซอร์กับยีนไปถึงเซลล์ที่มาจากร่างกายมนุษย์โดยตรง เช่น แอสโตรไซต์ (Astrocyte) ในสมองที่คอยพยุงและปกป้องเซลล์ประสาท ช่วยให้นักวิจัยเชื่อมความแปรผันเข้ากับยีนเป้าหมายในเซลล์ที่โรคเกิดขึ้นจริง

ปัญหาที่สองคือการชี้ตัวต้นเหตุ เพราะ GWAS มักบอกได้แค่ช่วง DNA กว้าง ๆ ที่เกี่ยวกับโรค แต่ระบุความแปรผันที่เป็นต้นเหตุ ยีนเป้าหมาย และชนิดเซลล์ได้ไม่ชัด ในลักษณะที่ซับซ้อนหลายแบบตั้งแต่ส่วนสูงไปจนถึงเบาหวานชนิดที่ 2 คะแนนที่คำนวณไว้ล่วงหน้าของ AlphaGenome 2 ช่วยชี้ความแปรผันและชนิดเซลล์ที่น่าจะเกี่ยวข้องที่สุด และเมื่อโมเดลมั่นใจ ก็ทำนายได้แม่นยำว่าความแปรผันนั้นเร่งหรือลดการทำงานของยีน ซึ่งเป็นเบาะแสสำคัญว่ายีนนั้นมีส่วนก่อโรคอย่างไร

ประโยชน์ข้อนี้ทำให้ฝั่งอุตสาหกรรมยาเริ่มให้ความสนใจ Peter Donnelly ซีอีโอของ Genomics Limited กล่าวว่า

 "พันธุศาสตร์มนุษย์เป็นหนึ่งในเครื่องมือที่ทรงพลังที่สุดของการค้นคว้ายา และ GWAS คือหัวใจของงานนี้ แต่การเดินจากสัญญาณความสัมพันธ์ไปสู่สิ่งที่โครงการพัฒนายาต้องการยังเป็นเรื่องยาก โมเดลทำนายลำดับ DNA จึงเป็นเครื่องมือสำคัญที่ช่วยปิดช่องว่างนี้ และ AlphaGenome 2 คือความก้าวหน้าที่น่าประทับใจของวงการ"

พร้อมเผยว่าบริษัทเตรียมนำโมเดลนี้ไปใช้ในแพลตฟอร์ม Mystra

เปิดให้นักวิจัยใช้แล้ว แต่ยังไม่ใช่เครื่องมือวินิจฉัยโรค

ตอนนี้ AlphaGenome 2 เปิดให้ใช้ผ่าน AlphaGenome API สำหรับงานวิจัยที่ไม่ใช่เชิงพาณิชย์ พร้อมบทเรียนแบบโต้ตอบบน Colab ส่วนงานวิจัยเชิงพาณิชย์อยู่ในช่วงทดลองแบบจำกัดสิทธิ์ (Private Preview) และเร็ว ๆ นี้ DeepMind จะปล่อย AlphaGenome 2 Skills บน Google Antigravity แพลตฟอร์มพัฒนาซอฟต์แวร์ที่มี AI ช่วยลงมือทำงาน (Agentic Development Platform) ของ Google เพื่อให้นักวิทยาศาสตร์ใช้โมเดลเฉพาะทางคู่กับ Gemini 4 ในการเร่งงานวิจัย

ในระยะต่อไป DeepMind ร่วมมือกับนักวิจัยของ Wellcome Sanger Institute เพื่อเก็บข้อมูลเซลล์มนุษย์ให้หลากหลายขึ้น ทั้งชนิดเซลล์ เส้นทางการพัฒนาของเซลล์ และเซลล์ที่อยู่ในสภาวะถูกรบกวนแบบต่าง ๆ พร้อมเปิดให้นักวิจัยส่งกรณีใช้งานที่น่าสนใจภายในวันที่ 30 พฤศจิกายนนี้ โดยโครงการที่ได้รับคัดเลือกอาจได้โควตาและเครดิตเพิ่มเติม

ทั้งนี้ DeepMind ย้ำว่า AlphaGenome และ AlphaGenome 2 มีไว้สำหรับงานวิจัยเท่านั้น ยังไม่ผ่านการตรวจสอบหรือรับรองให้ใช้ทางคลินิกหรือวินิจฉัยโรค

ที่มา: Google DeepMind, รายงานทางเทคนิค AlphaGenome 2, Nature