AlphaGenome

משך הסרטון: 30 דקות

‫AlphaGenome הוא מודל בסיס ללמידה עמוקה שפותח על ידי Google DeepMind, שחוזה את ההשפעות הרגולטוריות הפונקציונליות של רצפי DNA בגנום האנושי. המודל מנתח רצפי דנ"א של עד מיליון זוגות בסיסים (1MB) ברזולוציה של בסיס יחיד, וכך חוזה איך וריאציות גנטיות משפיעות על מנגנונים מולקולריים וביולוגיים ב-11 אופנים גנומיים: ביטוי גנים (RNA_SEQ, CAGE, PROCAP), נגישות כרומטין (ATAC, DNASE), שינויים בהיסטונים וקישור של פקטורי שעתוק (CHIP_HISTONE, CHIP_TF), שחבור רנ"א (SPLICE_SITES, SPLICE_SITE_USAGE, SPLICE_JUNCTIONS) ומפות מגע תלת-ממדיות של כרומטין (CONTACT_MAPS).

במאמר הזה מתוארות דרישות החומרה והפריסה של AlphaGenome, ומוסבר איך לפרוס את המודל ולשלוח אליו שאילתות ב-Gemini Enterprise Agent Platform.

דרישות החומרה והפריסה

בגלל הארכיטקטורה העמוקה של AlphaGenome וחלון ההקשר של 1MB, למודל יש דרישות חומרה וזיכרון מחמירות. הנושאים בקטע הזה:

הגדרות נתמכות של מכונות וירטואליות ו-GPU

ל-AlphaGenome נדרש לפחות צומת אחד. אתם יכולים לפרוס את המודל בנקודות קצה של Agent Platform באמצעות סוגי מכונות שמצוידות במאיצי NVIDIA A100 או H100.

אם אתם צריכים קיבולת נוספת כדי לטפל בנפחי בקשות מוגברים, אתם יכולים להגדיר התאמה אוטומטית לעומס (autoscaling) בנקודת הקצה של Agent Platform כדי להוסיף צמתים באופן אוטומטי. מידע נוסף זמין במאמר שינוי קנה המידה של צומתי היקש באמצעות התאמה אוטומטית לעומס.

סוגי המאיצים והמכונות הנתמכים

בוחרים מבין סוגי המכונות הנתמכים הבאים, שמספקים את זיכרון ה-GPU הנדרש בנפח 80GB:

  • ‫NVIDIA H100 (80GB):‏ a3-highgpu-1g,‏ a3-highgpu-2g,‏ a3-highgpu-4g,‏ a3-highgpu-8g
  • ‫NVIDIA A100 (80GB): ‏a2-ultragpu-1g, ‏a2-ultragpu-2g, ‏a2-ultragpu-4g, ‏a2-ultragpu-8g
  • NVIDIA H100 Mega (80 GB): a3-megagpu-8g

מפרטים מפורטים זמינים במאמר הגדרת משאבי מחשוב להסקת מסקנות.

דרישות לגבי המכסות

לפני שפורסים את המודל, צריך לוודא שבפרויקט ב- Google Cloud יש מספיק מכסה להצגת GPU באזור היעד למדדים הבאים:

  • aiplatform.googleapis.com/custom_model_serving_nvidia_h100_gpus
  • aiplatform.googleapis.com/custom_model_serving_nvidia_a100_gpus
  • aiplatform.googleapis.com/custom_model_serving_nvidia_h100_mega_gpus
  • compute.googleapis.com/gpus_per_gpu_family

פריסת AlphaGenome

‫AlphaGenome זמין כמודל לפריסה עצמית מ-Model Garden. הוראות מפורטות להקצאת התשתית של נקודת הקצה ולפריסת המודל בפרויקט ב- Google Cloud מופיעות במאמר פריסת מודלים פתוחים מ-Model Garden.

ב-Model Garden יש את גרסאות ההצגה הבאות של AlphaGenome:

  • ‫alphagenome-004 (ברירת המחדל, gRPC ו-HTTP מאוחדים): מפעיל את כל שבע השיטות של DnaModelService (predict_sequence,‏ predict_interval,‏ predict_variant,‏ score_variant,‏ score_interval,‏ score_ism_variants ו-output_metadata) מקונטיינר מאוחד שתומך גם בסטרימינג של HTTP/2 gRPC ביציאה 8081 וגם בסטרימינג של HTTP (streamRawPredict) ביציאה 8080:
    • Public (shared endpoint) (gRPC): כשפורסים ב-Model Garden, בוחרים באפשרות Public (shared endpoint) בקטע Endpoint access כדי לשלוח שאילתות למודל באמצעות סטרימינג של gRPC (PredictionService.StreamDirectRawPredict באמצעות dna_client_grpc.create_vertex_client). כששולחים קריאה למודל באמצעות gRPC, נשלחים קטעים דחוסים של טנזורים בינאריים ישירות בלי תקורה של סריאליזציה של JSON או base64. כך זמן האחזור של חיזויים של טראקים בגודל 1MB מצטמצם, ונמנעים זמני קצובים לתפוגה של שער HTTP בעומסי עבודה מרובי-גרסאות עם בו-זמניות גבוהה, כמו מוטגנזה של רוויה במחשב (score_ism_variants).
    • ‫Public (dedicated endpoint) (HTTP): כשפורסים ב-Model Garden, משאירים את אפשרות ברירת המחדל Public (dedicated endpoint) כדי לשלוח שאילתות למודל באמצעות סטרימינג ב-HTTP (streamRawPredict באמצעות dna_client_http.create_http_client). האפשרות הזו מעבירה בסטרימינג מטען ייעודי (payload) בינארי של protobuf בחלקים (proto_b64) בלי מגבלת הגודל של 10MB לתגובת HTTP של נקודות קצה משותפות.
    • בחירת קיפול: גם לקוחות gRPC וגם צד הלקוח ב-HTTP ב-alphagenome-004 תומכים בבחירת קיפול של מודל (ALL_FOLDS כברירת מחדל, או קיפולים נפרדים FOLD_0 עד FOLD_3) באמצעות הפרמטר model_version.
  • ‫alphagenome-003 (HTTP מדור קודם): הצגת חיזויים בסטרימינג של HTTP/1.1‏ (streamRawPredict) ביציאה 8080. האפשרות הזו זמינה לתאימות לדורות קודמים עם פריסות קיימות של צד הלקוח ב-HTTP.

שימוש ב-AlphaGenome

אתם יכולים ליצור אינטראקציה עם נקודת קצה פרוסה של AlphaGenome באופן פרוגרמטי באמצעות Python SDK (דרך gRPC בנקודות קצה משותפות או HTTP בנקודות קצה ייעודיות).

לרשימה המלאה של מאמרי העזרה של ה-API, הגדרות הפרמטרים והסכימות המפורטות, קראו את המסמכים הרשמיים של AlphaGenome.

דרישות מוקדמות ואימות

פלטפורמת Agent משתמשת בניהול זהויות והרשאות גישה (IAM) כדי לנהל את הגישה לנקודות קצה (endpoints) שנפרסו. מוודאים שסביבת ההפעלה (כמו טרמינל מקומי, VM או Colaboratory) מאומתת באמצעות חשבון שירות או פרטי כניסה של משתמש עם תפקיד IAM מסוג "משתמש בפלטפורמת הסוכנים" (roles/aiplatform.user).

שימוש (alphagenome-004)

בדוגמאות הבאות מוסבר איך לשלוח שאילתה לנקודת קצה (endpoint) של alphagenome-004 שנפרסה, באמצעות Python SDK:

Python

התקנת ה-SDK

קובץ ה-wheel של AlphaGenome Cloud SDK (alphagenome-004) זמין במאגר GoogleCloudPlatform ב-GitHub. מורידים ומתקינים את קובץ ה-wheel באמצעות הפקודות הבאות:

# Download the wheel file
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl

# Install the wheel file
pip install alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl

אתחול הלקוח

לפני ששולחים שאילתה למודל, צריך להפעיל את הלקוח לנקודת הקצה (endpoint) של alphagenome-004 שנפרסה. גם לקוח ה-gRPC‏ (GrpcDnaClient) וגם צד הלקוח ב-HTTP‏ (HttpDnaClient) מטמיעים את הממשק הרגיל של alphagenome.models.dna_model.DnaModel.

כדי להתחבר לנקודת קצה משותפת (רגילה) של alphagenome-004 באמצעות סטרימינג של gRPC, מעבירים את שם המשאב של נקודת הקצה ב-Agent Platform אל dna_client_grpc.create_vertex_client:

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_grpc

# Specify the standard (shared) endpoint resource name:
endpoint = "projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"

# Optional: Specify `service_account` for service account impersonation, or
# `model_version` to select a specific fold ("ALL_FOLDS", "FOLD_0", "FOLD_1",
# "FOLD_2", or "FOLD_3").
dna_model = dna_client_grpc.create_vertex_client(
    endpoint=endpoint,
    # service_account="SERVICE_ACCOUNT_EMAIL",
    # model_version=dna_client.ModelVersion.ALL_FOLDS,
)

אם פרסתם את alphagenome-004 בנקודת קצה ייעודית, השתמשו ב-dna_client_http.create_http_client:

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http

# Create the HTTP client pointing to the dedicated endpoint streamRawPredict URL.
dna_model = dna_client_http.create_http_client(
    vertex_ai_url="https://ENDPOINT_DNS/v1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID:streamRawPredict",
    # service_account="SERVICE_ACCOUNT_EMAIL",
    # model_version=dna_client.ModelVersion.ALL_FOLDS,
)

חיזוי מסלולים לרצף DNA

כדי לחזות מודליות גנומית למחרוזת DNA גולמית, משתמשים ב-predict_sequence:

# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')

output = dna_model.predict_sequence(
    sequence=padded_sequence,
    requested_outputs=[
        dna_client.OutputType.CAGE,   # Transcription Start Sites
        dna_client.OutputType.DNASE,  # Chromatin Accessibility
    ],
    ontology_terms=[
        'UBERON:0002048',             # Lung tissue ontology term
    ],
)

# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata

חיזוי טראקים למרווח גנום ייחוס

משתמשים ב-predict_interval כדי לחזות מודאליות ישירות מאזור כרומוזום ספציפי בגנום הייחוס:

from alphagenome.data.genome import Interval

# Define a genomic interval and resize it to the 1 MB context window
interval = Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
    name='CYP2B6',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

output = dna_model.predict_interval(
    interval=interval,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114'],  # Right liver lobe
)

חיזוי ההשפעה של שינויים גנטיים על מסלולים גנומיים

משתמשים ב-predict_variant כדי ליצור תחזיות של טראקים מותאמים של קובץ עזר (reference) ומוטציה (alternate) במרווח זמן:

from alphagenome.data import genome

interval = genome.Interval(
    chromosome='chr19',
    start=41003816,
    end=41005864,
    strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

variant = genome.Variant(
    chromosome='chr19',
    position=41004840,
    reference_bases='C',
    alternate_bases='T',
)

variant_output = dna_model.predict_variant(
    interval=interval,
    variant=variant,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114'],
)

ref_rna_values = variant_output.reference.rna_seq.values
alt_rna_values = variant_output.alternate.rna_seq.values

דירוג ההשפעה של שינויים גנטיים

אפשר להשתמש ב-score_variant כדי לסכם את ההשפעה הצפויה של וריאנט גנטי, על ידי השוואה בין רצף ייחוס (REF) לבין רצף מוטציה חלופי (ALT):

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the genetic variant
variant = genome.Variant(
    chromosome='chr22',
    position=36201698,
    reference_bases='A',
    alternate_bases='C',
)

# Select the recommended variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']

# Execute the scoring
variant_scores = dna_model.score_variant(
    interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
    variant=variant,
    variant_scorers=[variant_scorer],
)

# Output is returned as a list of AnnData objects containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)

דירוג של קטע גנומי

משתמשים ב-score_interval כדי לחשב את הציונים של מרווחי מסכת הגנים באזור גנומי:

from alphagenome.data import genome
from alphagenome.models import interval_scorers

interval = genome.Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

interval_scorer = interval_scorers.RECOMMENDED_INTERVAL_SCORERS['RNA_SEQ']

interval_scores = dna_model.score_interval(
    interval=interval,
    interval_scorers=[interval_scorer],
)

print("Interval scores shape:", interval_scores[0].X.shape)

הרצת מוטגנזה רוויה במחשב (in silico)

משתמשים ב-score_ism_variants כדי להעריך את כל הווריאציות האפשריות של נוקלאוטיד יחיד ב-ism_interval מסוים:

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the 1 MB sequence context interval and a target 50 bp ISM window
sequence_interval = genome.Interval(
    chromosome='chr19',
    start=41003816,
    end=41005864,
).resize(dna_client.SEQUENCE_LENGTH_1MB)

ism_interval = genome.Interval(
    chromosome='chr19',
    start=41004815,
    end=41004865,
)

dnase_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['DNASE']

ism_scores = dna_model.score_ism_variants(
    interval=sequence_interval,
    ism_interval=ism_interval,
    variant_scorers=[dnase_scorer],
)

print("Number of variants scored:", len(ism_scores))

שימוש (alphagenome-003)

Python

התקנת ה-SDK

קובץ ה-Wheel של AlphaGenome Cloud SDK זמין במאגר GoogleCloudPlatform ב-GitHub. כדי להוריד את קובץ ה-Wheel, מריצים את הפקודה הבאה:

# Download the whl file using - 
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

# Install the whl file
pip install alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

אתחול הלקוח

כדי להשתמש במודל, צריך להפעיל את הלקוח:

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http

# Create the HTTP client pointing to the Agent Platform endpoint.
# The `service_account` parameter is optional and only required if you are 
# choosing to authenticate via service account impersonation.
dna_model = dna_client_http.create_http_client(
    vertex_ai_url=vertex_ai_url,
    # service_account=service_account  # Uncomment to use service account impersonation
)

חיזוי מסלולים לרצף DNA

כדי לחזות מודליות גנומית למחרוזת DNA גולמית, משתמשים ב-predict_sequence:

# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')

output = dna_model.predict_sequence(
    sequence=padded_sequence,
    requested_outputs=[
        dna_client.OutputType.CAGE,   # Transcription Start Sites
        dna_client.OutputType.DNASE,  # Chromatin Accessibility
    ],
    ontology_terms=[
        'UBERON:0002048',             # Lung tissue ontology term
    ]
)

# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata

חיזוי טראקים למרווח גנום ייחוס

משתמשים ב-predict_interval כדי לחזות מודאליות ישירות מאזור כרומוזום ספציפי בגנום הייחוס:

from alphagenome.data.genome import Interval

# Define a genomic interval and resize it to the 1Mb context window
interval = Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
    name='CYP2B6'
).resize(dna_client.SEQUENCE_LENGTH_1MB)

output = dna_model.predict_interval(
    interval=interval,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114']  # Right liver lobe
)

דירוג ההשפעה של שינויים גנטיים (מוטגנזה במחשב)

אפשר להשתמש ב-score_variant כדי להשוות בין הביטוי החזוי של רצף ייחוס (REF) לבין רצף מוטציה חלופי (ALT):

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the genetic variant
variant = genome.Variant(
    chromosome='chr22',
    position=36201698,
    reference_bases='A',
    alternate_bases='C',
)

# Select the variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']

# Execute the scoring
variant_scores = dna_model.score_variant(
    interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
    variant=variant,
    variant_scorers=[variant_scorer],
    fix_negative_strand=True
)

# Output is returned as an AnnData object containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)

תמחור

כדי להשתמש ב-AlphaGenome צריך מינוי בתשלום. למידע על המחירים של AlphaGenome, פנו למומחה מכירות של Google Cloud או לצוות ניהול החשבון שלכם ב- Google Cloud.

אתם אחראים לעלות התשתית שמשמשת לאירוח המודל, כולל נקודת הקצה של Agent Platform ומכונות ה-GPU שעליהן המודל פרוס. מידע נוסף על התמחור של Agent Platform

מגבלות

ל-AlphaGenome יש את המגבלות הבאות:

  • למטרות מחקר בלבד: AlphaGenome הוא כלי מחקר, והוא לא מיועד או מאושר לשימוש באבחון קליני.
  • אופק הקשר של 1MB: שאילתת חיזוי אחת לא יכולה לתעד אינטראקציות גנומיות שמתרחשות במרחקים שגדולים מ-1MB.
  • אין תמיכה בכוונון עדין: AlphaGenome לא תומך בכוונון עדין של מערכי נתונים פרטיים לאימון. המודל זמין להסקה בלבד.

מדריך הפניות מדעי

כדי לתמוך בקהילות המדענים והמפתחים, בטבלה הבאה מפורטים חומרי עזר, ספרות ומשאבים עיקריים ל-AlphaGenome:

סוג המשאב כותרת וקישור תיאור
מאמר שעבר ביקורת עמיתים Advancing regulatory variant effect prediction with AlphaGenome, Nature (January 2026) המאמר המדעי העיקרי שמפרט את הארכיטקטורה, ההערכות ונקודות ההשוואה של המודל.
מאמר לפני פרסום ‫AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model, bioRxiv (יולי 2025) כתב היד הראשוני לפני ביקורת עמיתים.
הודעה ‫AlphaGenome: AI for better understanding the genome, Google DeepMind blog (June 2025) פוסט בבלוג על ההשקה ברמה גבוהה, שמתאר את ההשפעה של המודל על הגנומיקה.
מאמרי העזרה של ה-API המסמכים של AlphaGenome מסמכים טכניים לסכימות של Python SDK ו-HTTP API.
סרטון הדרכה ‫AlphaGenome: בינה מלאכותית להבנה טובה יותר של הגנום סרטון הדרכה שמסביר על יכולות המודל ועל תהליכי האינטראקציה הבסיסיים. (משך הסרטון: 30 דקות)
מדריך למתחילים ב-Notebook המדריך למתחילים של AlphaGenome ב-נוטבוק של Colab ‫Notebook עם דוגמאות להפעלה של אתחול SDK וניקוד של ההשפעה של שינויים גנטיים.

תמיכה ומשוב

אתם יכולים לקבל תמיכה ב-AlphaGenome בדרכים הבאות:

  • תמיכה במדע הגנומי ובפלט מהמודל: כדי לדון בביולוגיה, בתחזיות של המודל או ביכולת הפרשנות, או כדי ליצור קשר עם Google DeepMind, הצטרפו לפורום הקהילה הציבורי של AlphaGenome בכתובת alphagenomecommunity.com.
  • תמיכה בתשתית ובפלטפורמה: אם יש לכם שאלות לגבי מכסות, מאיצים, בעיות בספריית הלקוח או חיוב, פנו לצוות ניהול החשבון שלGoogle Cloud או פתחו בקשת תמיכה ב-Cloud Customer Care. Google Cloud