Google DeepMind Luncurkan AlphaGenome Atlas, AI Baca DNA Kayak Buku

Google DeepMind baru-baru ini ngeluarin AlphaGenome Atlas, model AI terbaru mereka yang dirancang buat memprediksi bagaimana urutan DNA mengontrol aktivitas gen di seluruh genom manusia. Kalau AlphaFold dulu fokus ke prediksi struktur protein, AlphaGenome ini naik level — dia belajar hubungan antara urutan DNA non-coding dengan ekspresi gen, aksesibilitas kromatin, dan modifikasi histone. Artinya, model ini bisa nebak mana bagian DNA yang nyalain atau matiin gen, tanpa perlu eksperimen lab yang butuh bulan-bulan dan biaya gede.

Tim DeepMind melatih AlphaGenome pakai data epigenomik skala besar dari proyek ENCODE dan Roadmap Epigenomics, yang mencakup ratusan tipe sel dan jaringan manusia. Modelnya pakai arsitektur transformer yang dimodifikasi, mirip dengan yang dipakai di LLM tapi diadaptasi buat urutan DNA yang panjang — sampai 1 juta base pair dalam satu forward pass. Hasilnya? AlphaGenome bisa memprediksi profil ekspresi gen, chromatin accessibility (ATAC-seq), dan 12 tipe modifikasi histone dengan akurasi yang ngejar performa eksperimen nyata. Ini berarti peneliti bisa 'simulasi' efek mutasi non-coding sebelum ke lab.

Kenapa non-coding DNA jadi fokus utama

Sebagian besar varian genetik yang dikaitin sama penyakit kompleks — kayak diabetes tipe 2, penyakit jantung, atau autoimun — ternyata nggak ada di area coding protein, tapi di wilayah non-coding yang ngatur kapan dan di mana gen dinyalain. Masalahnya, wilayah ini sulit diinterpretasi karena efeknya bergantung konteks tipe sel dan jarak jauh dari gen target. AlphaGenome Atlas hadir buat nge-bridge gap ini: kamu masukin urutan DNA, dia keluarin prediksi aktivitas regulatori di ribuan tipe sel. Buat peneliti GWAS (Genome-Wide Association Studies), ini game changer — mereka bisa prioritaskan varian mana yang paling mungkin punya fungsi biologis nyata.

Di paper yang dipublikasikan di Nature, tim menunjukkan AlphaGenome bisa memprediksi dampak varian non-coding terhadap ekspresi gen di sel kanker, neuron, dan sel imun dengan korelasi Spearman di atas 0.85 untuk banyak assay. Bahkan, model ini berhasil mengidentifikasi enhancer-enhancer interaction yang sebelumnya butuh eksperimen Hi-C mahal buat dibuktikan. DeepMind juga merilis Atlas versi pre-computed untuk seluruh genom referensi GRCh38, jadi siapa aja bisa download dan query prediksi untuk lokus favorit mereka tanpa butuh GPU cluster sendiri.

Buka jalan buat terapi gen dan obat presisi

Implikasinya gede banget buat pengembangan terapi gen dan obat berbasis RNA. Saat ini, desain promoter dan enhancer buat vektor terapi gen (seperti AAV) masih banyak trial-error — kamu coba beberapa kandidat, test di sel, pilih yang paling kuat. Dengan AlphaGenome, kamu bisa screen ribuan desain sintetis in silico dulu, pilih yang prediksinya paling spesifik ke tipe sel target (misalnya hepatosit untuk penyakit hati, atau fotoreceptor untuk kebutaan genetik). Ini bisa potong waktu R&D dari tahun jadi bulan, dan ngurangi risiko efek samping off-target yang berbahaya.

DeepMind juga menunjukkan use case untuk CRISPR screening: AlphaGenome bisa nebak gRNA mana yang paling efisien mengaktifkan atau menekan gen target berdasarkan konteks kromatin lokal. Beberapa lab besar kayak Broad Institute dan Sanger udah mulai integrasiin prediksi AlphaGenome ke pipeline CRISPR mereka. Meskipun model ini masih punya keterbatasan — misalnya nggak capture dinamika temporal selama diferensiasi sel, dan performa turun di wilayah genom yang repetitif — tapi sebagai titik awal in silico, ini lompatan besar dari dulu cuma nebak berdasarkan motif binding protein.

Akses terbuka tapi butuh komputasi berat

DeepMind merilis bobot model dan kode inference di GitHub under license CC-BY-NC-4.0, artinya bebas dipakai buat riset non-komersial. Tapi jujur aja, jalanin AlphaGenome full-resolution butuh VRAM minimal 80 GB (A100 80GB atau H100) buat urutan 1 Mb. Untungnya mereka juga provide versi distilled yang lebih ringan dan Atlas pre-computed yang bisa di-query via API atau download sebagai BigWig files. Buat kamu yang pengen coba tanpa cluster, Colab Pro+ dengan A100 bisa jalanin versi kecil untuk lokus spesifik. Dokumentasinya cukup lengkap, termasuk tutorial buat visualisasi prediksi di IGV genome browser.

• Prediksi ekspresi gen, ATAC-seq, dan 12 modifikasi histone dari urutan DNA
• Cakupan 1 juta base pair per forward pass, resolusi single-nucleotide
• Atlas pre-computed untuk seluruh genom GRCh38, siap download
• Kode dan bobot open-source untuk riset non-komersial
• Sudah divalidasi di sel kanker, neuron, sel imun, dan tipe sel lain

Bottom line: AlphaGenome Atlas nggak cuma paper keren buat dibaca, tapi tool praktis yang bisa kamu pakai hari ini buat prioritaskan varian penyakit, desain vektor terapi gen, atau rencanakan eksperimen CRISPR lebih efisien. DeepMind udah buktiin AlphaFold bisa revolusi biologi struktural — sekarang giliran genomika regulatori yang dapet upgrade AI-nya. Kalau kamu peneliti genomik, bioinformatika, atau biotek, wajib cek repo GitHub-nya dan mulai eksperimen. Siapa tau temuan besarmu berikutnya justru dari prediksi in silico ini.