AlphaGenome — Phần 2: Đọc một triệu chữ DNA cùng AI

🔬 Series Khoa học — Google DeepMind & AI Sinh học (Bài 6/7) — Bài trước: AlphaGenome Phần 1 — vùng điều hoà DNA. Bài này đi sâu vào khả năng ngữ cảnh dài của AlphaGenome.

DNA của bạn dài khoảng 2 mét (tính tổng chiều dài các sợi), nhưng được nén gọn trong mỗi nhân tế bào. Cách DNA cuộn gấp trong không gian 3D quyết định vùng điều hoà nào tiếp xúc với gen nào — một lớp thông tin hoàn toàn mới ngoài trình tự tuyến tính.

AlphaGenome Phần 2 là bước đột phá: mô hình có thể xử lý ngữ cảnh lên đến một triệu nucleotide — gần như đọc cả một đoạn lớn của nhiễm sắc thể trong một lần, nắm bắt đồng thời trình tự DNA, vùng điều hoà, và cấu trúc không gian.

Tại sao ngữ cảnh dài quan trọng?

Các mô hình dự đoán DNA trước đây hoạt động với các cửa sổ nhỏ — vài trăm đến vài nghìn nucleotide. Lý do: chi phí tính toán của cơ chế attention trong transformer tăng theo bình phương độ dài đầu vào.

Vấn đề: tương tác điều hoà trong bộ gen không tuân theo giới hạn cục bộ. Một enhancer có thể nằm cách gen nó điều khiển 1 triệu nucleotide — và vẫn hoạt động bình thường nhờ DNA cuộn gấp đưa chúng lại gần nhau.

Giới hạn:

Cửa sổ xử lý	Có thể thấy	Không thể thấy
1.000 bp	Một gen nhỏ, promoter gần	Enhancer xa, cấu trúc không gian
10.000 bp	Gen + một vài enhancer lân cận	Tổ chức TAD (Topologically Associating Domain)
100.000 bp	Một vùng gen lớn	Liên kết chéo giữa các TAD
1.000.000 bp	Gần như toàn bộ tổ chức không gian của vùng	—

AlphaGenome đạt đến 1 triệu bp — cho phép mô hình nắm bắt hầu hết cấu trúc không gian quan trọng trong bộ gen.

Kiến trúc: từ transformer sang mamba

Để đạt ngữ cảnh 1 triệu bp, AlphaGenome không dùng transformer thuần tuý. Thay vào đó, mô hình kết hợp:

1. Mamba (state space model) — kiến trúc attention tuyến tính, chi phí tính toán tỷ lệ O(n) thay vì O(n²), cho phép xử lý trình tự cực dài
2. DNA token embedding — mã hoá nucleotide (A, T, G, C) thành vector nhúng có vị trí (positional encoding)
3. Multi-resolution — mô hình học ở nhiều cấp độ: nucleotide đơn, motif (bộ 3-6 bp), vùng gen

Kết quả: AlphaGenome xử lý trình tự dài gấp 100–1000 lần các mô hình transformer trước đây với cùng tài nguyên tính toán.

Cấu trúc không gian của DNA

DNA trong nhân tế bào không phải sợi thẳng — nó được gấp cuộn có tổ chức. Một trong những cấu trúc quan trọng nhất là TAD (Topologically Associating Domain):

• Các vùng TAD là "vùng lân cận" trong không gian 3D
• Bên trong một TAD, các vùng điều hoà tương tác mạnh với nhau
• Giữa các TAD, tương tác bị hạn chế (nhờ insulator)
• Mỗi TAD dài khoảng 100.000–1.000.000 bp

AlphaGenome với ngữ cảnh 1 triệu bp có thể bao phủ một hoặc nhiều TAD — đủ để hiểu enhancer nào ảnh hưởng gen nào trong cùng một vùng không gian.

Phát hiện mới từ AlphaGenome

Khi áp dụng AlphaGenome lên bộ gen người, các nhà nghiên cứu phát hiện nhiều điều mới:

1. Enhancer ẩn — hàng trăm enhancer mới trong vùng từng coi là "DNA rác", nhiều enhancer có vai trò quan trọng trong phát triển phôi thai
2. Liên kết bệnh mới — các biến thể trong enhancer mới phát hiện liên quan đến bệnh tiểu đường type 2 và bệnh tim mạch
3. Tổ chức gen theo không gian — các gen cùng chức năng thường nằm trong cùng TAD, và AlphaGenome dự đoán chính xác TAD chỉ từ trình tự DNA
4. Đột biến cấu trúc — phát hiện đột biến làm thay đổi cấu trúc TAD (gây ung thư và bệnh phát triển)

Một phát hiện đặc biệt: AlphaGenome xác định được các vùng liên kết giữa các TAD — ranh giới giữa các vùng tổ chức không gian. Đột biến ở ranh giới này có thể khiến enhancer của TAD này tác động nhầm sang gen của TAD khác — một cơ chế gây ung thư mới được hiểu rõ nhờ AI.

So sánh: từ protein đến toàn bộ gen

Nhìn lại toàn bộ gia đình Alpha:

Mô hình	Đầu vào	Quy mô	Năm
AlphaFold	~1.000 aa	Một protein	2020
AlphaFold 3	Phức hợp ~10.000 nguyên tử	Một hệ tương tác	2024
AlphaMissense	Đột biến một vị trí	Một axit amin	2023
AlphaProteo	Mục tiêu phân tử	Protein mới	2024
AlphaGenome P1	Vùng điều hoà ~1.000.000 bp	Một TAD	2025
AlphaGenome P2	~1.000.000 bp	Nhiều TAD	2025–2026

Đây là lộ trình rõ ràng: từ phân tử nhỏ → một protein → phức hợp protein → đột biến đơn → thiết kế protein → bộ gen.

AlphaGenome có thể thay thế giải trình tự gen không?

Không. Giải trình tự là thí nghiệm đọc trình tự DNA thật. AlphaGenome là AI phân tích kết quả giải trình tự — giúp hiểu ý nghĩa của những gì đã đọc được, nhưng không thay thế bước đọc.

Một triệu nucleotide đã là toàn bộ bộ gen chưa?

Chưa. Bộ gen người có 3,2 tỷ nucleotide. Nhưng 1 triệu đủ để bao phủ toàn bộ một vùng di truyền quan trọng — tương đương một TAD hoặc cụm gen. Mô hình có thể xử lý các vùng chồng lấn để phủ toàn bộ gen.

Tóm lại

AlphaGenome Phần 2 đưa khả năng đọc bộ gen của DeepMind lên một tầm cao mới. Với ngữ cảnh 1 triệu nucleotide, mô hình không chỉ đọc trình tự DNA mà còn hiểu được cách bộ gen được tổ chức trong không gian — điều mà trước đây chỉ có thí nghiệm Hi-C và các phương pháp đắt đỏ mới làm được.

Đây là bài cuối cùng của series về từng mô hình Alpha. Bài tổng kết: Google DeepMind: AI & ngôn ngữ sự sống — nhìn lại toàn bộ hành trình và bức tranh lớn. +++