La investigación genómica es un campo fundamental que se centra en comprender la estructura, función y evolución de los genomas. Abarca estudios sobre secuencias de ADN, variaciones genéticas y los intrincados mecanismos que gobiernan la expresión y regulación de los genes. Este campo tiene profundas implicaciones para la biotecnología, la medicina y la biología evolutiva, ya que ofrece conocimientos sobre los trastornos genéticos, las terapias potenciales y los procesos fundamentales de la vida.
Un problema crítico es la necesidad de modelos avanzados para predecir y generar secuencias biológicas. Los métodos actuales pueden ser más complejos y escalables para modelar funciones genómicas con precisión. Los investigadores buscan soluciones para mejorar la precisión y eficiencia de estos modelos para comprender y manipular mejor los sistemas biológicos.
Los métodos actuales a menudo necesitan más capacidad para manejar la complejidad y la escala necesarias para modelar las funciones genómicas con precisión. Los investigadores buscan soluciones para mejorar la precisión y eficiencia de estos modelos para comprender y manipular mejor los sistemas biológicos. Los enfoques tradicionales en el modelado genómico han utilizado principalmente modelos de modalidad específica centrados en proteínas, ADN regulador o ARN. Estos modelos a menudo necesitan ayuda para manejar las interacciones a múltiples escalas en procesos biológicos complejos. Las aplicaciones generativas se han restringido al diseño de moléculas simples y secuencias cortas, careciendo de la amplitud necesaria para un análisis genómico completo.
Investigadores de la Universidad de Stanford, el Instituto Arc, TogetherAI, CZ Biohub y la Universidad de California, Berkeley, han presentado evoun modelo de base genómica diseñado para realizar tareas de predicción y generación desde la escala molecular hasta la genómica. evo aprovecha una novedosa arquitectura de procesamiento de señales profundas para manejar vastos conjuntos de datos genómicos con alta precisión. evoLa arquitectura de incorpora un híbrido de mecanismos de atención y operadores convolucionales, lo que le permite procesar secuencias con una resolución de un solo nucleótido en contextos largos. Entrenado en 7 mil millones de parámetros con datos de genomas procarióticos completos, evo Puede generalizarse a través de modalidades de ADN, ARN y proteínas, lo que le permite predecir funciones genéticas y generar sistemas biológicos complejos.
evo Emplea una arquitectura de procesamiento de señales profundas de última generación, StripeHyena, que combina mecanismos de atención con operadores convolucionales para procesar secuencias genómicas largas de manera eficiente. Este enfoque híbrido permite evo para mantener una alta resolución a nivel de un solo nucleótido, lo cual es crucial para capturar las variaciones detalladas en las secuencias genéticas. El modelo se basa en extensos conjuntos de datos del genoma procariótico que suman un total de 300 mil millones de tokens de nucleótidos, que incluyen genomas bacterianos y de arqueas y millones de secuencias predichas de fagos y plásmidos. Esta formación integral permite evo aprender los intrincados patrones de secuencias genómicas, haciéndolo capaz de predecir y generar tareas en diferentes modalidades moleculares. El proceso de capacitación implicó dos etapas: inicialmente se utilizó una longitud de contexto de 8.000 tokens y se extendió a 131.000 tokens para capturar contextos genómicos más amplios. evoLa arquitectura de incluye 29 capas de operadores convolucionales controlados por datos intercalados con capas de atención de múltiples cabezales equipadas con incrustaciones de posición giratoria, lo que mejora su capacidad para recordar información de secuencia larga.
El rendimiento de evo sobresale en tareas de generación y predicción de funciones de disparo cero. Puede generar complejos moleculares CRISPR-Cas sintéticos y sistemas transponibles, predecir la esencialidad genética con alta precisión y crear secuencias ricas en codificación de hasta 650 kilobases de longitud. En términos de métricas de desempeño específicas, evo demostró una correlación de Spearman de 0,64 en la predicción de los efectos de aptitud de las mutaciones en el ARN ribosomal 5S en E. coli. Para la predicción de la expresión genética, evo logró una correlación de 0,41 para la expresión de ARNm y un AUROC de 0,68 para la predicción de la expresión de proteínas. La capacidad del modelo para predecir la esencialidad genética también fue impresionante, con un AUROC de 0,86 para la esencialidad del fago lambda y de 0,81 para Pseudomonas aeruginosa. Estas capacidades superan las de los modelos de lenguajes específicos de dominio existentes, destacando evoEl rendimiento avanzado de en diversas tareas genómicas. Además, evoLas capacidades generativas de se demuestran por su capacidad para producir sistemas CRISPR-Cas coherentes, con un 15-45% de las secuencias generadas que contienen secuencias codificantes de Cas de hasta 5 kb y que generan elementos transponibles con una importante diversidad de secuencias de proteínas.
En conclusión, el equipo de investigación ha desarrollado una poderosa herramienta en evo que aborda las limitaciones de los modelos anteriores. Al permitir un análisis y generación genómicos integrales, evo representa un avance significativo en el campo y promete mejorar nuestra comprensión y control de los sistemas biológicos en múltiples niveles. evoEl éxito de Modelado de datos genómicos a escala y su capacidad para realizar predicciones cero y generar secuencias biológicas complejas marcan un importante avance en la investigación genómica. Este modelo no solo proporciona una comprensión mecanicista más profunda de la biología, sino que también acelera el potencial para diseñar formas de vida, ofreciendo un nuevo paradigma en la investigación biológica y la biología sintética.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Únete a nuestro Canal de telegramas, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro SubReddit de 42k+ ML
Nikhil es consultor interno en Marktechpost. Está cursando una doble titulación integrada en Materiales en el Instituto Indio de Tecnología de Kharagpur. Nikhil es un entusiasta de la IA/ML que siempre está investigando aplicaciones en campos como los biomateriales y la ciencia biomédica. Con una sólida formación en ciencia de materiales, está explorando nuevos avances y creando oportunidades para contribuir.