AI-моделювання геному (genomic language models)
Категорія B (технології). Створено: 22 липня 2026. Передній край поля і прямий місток до кар’єрного треку (bio-AI). Доповнює документи про MAMMAL (мультимодальна) та ESM (білки).
- AI-моделювання геному = «мовні моделі для ДНК» (genomic language models, gLMs): нейромережі, що «читають» послідовність ДНК і передбачають, ЩО вона робить, або генерують/проєктують нові послідовності. Це перенос ідеї трансформерів (як у ChatGPT) на «мову» геному.
- Два флагмани 2025–2026: AlphaGenome (Google DeepMind) — передбачає регуляторну функцію й ефект варіантів на ділянках до 1 млн пар основ із точністю до однієї «літери»; Evo 2 (Arc Institute + NVIDIA) — 40 млрд параметрів, навчена на 9,3 трлн нуклеотидів, генерує й проєктує ДНК/РНК/білки, open-source.
- Навіщо для старіння: передбачати ефект варіантів генів довголіття (FOXO3, APOE, klotho), інтерпретувати некодуючі «вікові» ділянки геному, спрямовувати редагування (base/prime editing) і дизайн генотерапій.
- Навіщо для тебе: це і є домен «Foundation-Model Scientist». Ключові моделі відкриті (Evo 2, Nucleotide Transformer) — їх можна запускати й файнтюнити, як і MAMMAL. Прямий матеріал для портфоліо.
Що це таке (просто)
Section titled “Що це таке (просто)”Геном — це «текст» із чотирьох літер (A, C, G, T). Genomic language model навчається на мільйонах-мільярдах послідовностей і «вловлює» закономірності: де ген починається, як він регулюється, що зламає мутація. Дві сім’ї моделей:
1. Предиктивні / регуляторні — «що робить ця ДНК?» Беруть послідовність → передбачають експресію генів, сплайсинг, доступність хроматину, зв’язування білків, ефект варіанта. Еволюція: Enformer (DeepMind, 2021) → Borzoi (Calico — компанія довголіття Alphabet, 2024) → AlphaGenome (2025).
2. Генеративні / foundation — «змоделюй або створи ДНК» Моделюють «мову життя» широко й можуть генерувати нові послідовності. Головний приклад — Evo / Evo 2. Сюди ж — Nucleotide Transformer (InstaDeep) як універсальний бекбон для геномних задач.
Флагманські моделі (стан 2025–2026)
Section titled “Флагманські моделі (стан 2025–2026)”| Модель | Хто | Що робить | Доступ |
|---|---|---|---|
| AlphaGenome | Google DeepMind | Передбачає регуляторну активність і ефект варіантів на ділянці до 1 Mb, base-resolution (експресія, сплайсинг, хроматин, зв’язування) | API для некомерційних досліджень; код на GitHub. Nature (2025→2026) |
| Evo 2 | Arc Institute + NVIDIA | Foundation-модель усіх доменів життя; прогноз + генерація/дизайн ДНК/РНК/білків; контекст 1 Mb | Open-source (GitHub arcinstitute/evo2, HuggingFace, Evo Designer). Nature, березень 2026 |
| Nucleotide Transformer | InstaDeep | Універсальні foundation-моделі для геноміки людини; передбачення геномних ознак | Open (GitHub, HuggingFace). Nature Methods 2024 |
| Enformer / Borzoi | DeepMind / Calico | Передбачення експресії з послідовності (Borzoi — від longevity-компанії Calico) | Open |
Технічні деталі для орієнтації: AlphaGenome тренувалась ~4 години (вдвічі менше обчислень за Enformer), але «недобачає» дуже далекі регуляторні елементи (>100 kb) і не призначена для персонального прогнозу геному чи клініки. Evo 2 масштабна (40B параметрів) і генеративна — з нею можна не лише читати, а й проєктувати послідовності.
Як це стикується зі старінням
Section titled “Як це стикується зі старінням”- Гени довголіття: передбачати, як варіанти FOXO3, APOE, klotho впливають на регуляцію й функцію (зв’язок із документом «Редагування геному» та беклогом 02c).
- Некодуюча ДНК: більшість «вікових» варіантів — у регуляторних (не білкових) ділянках; саме тут сильні AlphaGenome/Enformer.
- Спрямування редагування: передбачити наслідки правки перед тим, як робити base/prime editing — знижує ризик.
- Дизайн терапій: генеративні моделі (Evo 2) можуть проєктувати регуляторні елементи, промотори, послідовності для генотерапій.
- Епігенетика: зв’язок із хроматином і метилюванням — містком до ознаки «епігенетичні зміни» (категорія A) і до годинників (D).
Як це стикується з твоєю кар’єрою
Section titled “Як це стикується з твоєю кар’єрою”- Це ядро ролі Foundation-Model Scientist — та сама сім’я моделей, що ESM (білки) і MAMMAL (мультимодальна), але для ДНК.
- Відкритість = портфоліо. Evo 2 і Nucleotide Transformer відкриті — можна запускати інференс, файнтюнити під задачу, робити внесок (як і з MAMMAL). Це прямі кандидати на проєкти #2–#3.
- Три стовпи bio-AI разом: ДНК (Evo/AlphaGenome) + білки (ESM) + мультимодальність (MAMMAL) + структура (AlphaFold/Boltz). Розуміння всіх чотирьох робить тебе сильним кандидатом.
- Компанії: DeepMind/Isomorphic, Arc Institute, InstaDeep, Calico, NVIDIA BioNeMo, Insilico — усі працюють у цьому просторі й наймають.
Обмеження й чесні застереження
Section titled “Обмеження й чесні застереження”- Прогноз ≠ істина. Моделі передбачають ймовірності; біологію треба валідувати експериментом.
- Далекі регуляції даються важко (AlphaGenome слабшає на >100 kb).
- Не для клініки й не для персонального геному (прямо зазначено для AlphaGenome).
- «Дизайн» ≠ робоча терапія. Згенерована Evo 2 послідовність — гіпотеза, не ліки; попереду роки валідації й безпеки.
- Обчислення: великі моделі (Evo 2, 40B) важкі; але є менші відкриті варіанти й інференс через хмару/HuggingFace для навчання.
Як помацати руками (для портфоліо)
Section titled “Як помацати руками (для портфоліо)”- Nucleotide Transformer (менша, відкрита) — інференс на HuggingFace: отримати ембединги ділянки ДНК, класифікувати регуляторний елемент. Гарний перший gLM-проєкт.
- Evo 2 — через Evo Designer (веб) або HuggingFace: подивитись передбачення ефекту варіанта; для fine-tune потрібен потужніший GPU.
- AlphaGenome API (некомерційний) — прогнати варіант і подивитись передбачені регуляторні ефекти.
- Проєктна ідея: взяти набір варіантів гена довголіття (напр. FOXO3) → прогнати через gLM → порівняти передбачення з відомими даними. Поєднує геноміку, AI і тему старіння — сильний портфоліо-кейс.
Відкриті питання (для подальших ресерчів)
Section titled “Відкриті питання (для подальших ресерчів)”- Наскільки gLM-передбачення варіантів справді точні на нових даних (незалежна валідація)?
- Чи зможуть генеративні моделі реально проєктувати безпечні регуляторні елементи для терапій?
- AI-пошук геропротекторів (Insilico, Gero, BioAge) — окрема підтема (B/E), логічний наступний ресерч.
Джерела
Section titled “Джерела”- AlphaGenome — Google DeepMind — https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/
- AlphaGenome: regulatory variant effect prediction, Nature 2025/2026 — https://www.nature.com/articles/s41586-025-10014-0
- Evo 2: genome modelling and design across all domains of life, Nature 2026 — https://www.nature.com/articles/s41586-026-10176-5
- Evo 2 (Arc Institute) — https://arcinstitute.org/tools/evo
- Evo 1: Sequence modeling and design with Evo, Science 2024 — https://www.science.org/doi/10.1126/science.ado9336
- Nucleotide Transformer, Nature Methods 2024 — https://www.nature.com/articles/s41592-024-02523-z
- Survey of genome language models, PMC 2025 — https://pmc.ncbi.nlm.nih.gov/articles/PMC12805252/
Матеріали сайту мають освітній характер і не є медичною порадою. Рішення про будь-які втручання ухвалюйте разом із лікарем.