AlphaGenome

Durasi video: 30 menit

AlphaGenome adalah model dasar deep learning yang dikembangkan oleh Google DeepMind yang memprediksi efek pengaturan fungsional urutan DNA dalam genom manusia. Dengan menganalisis urutan DNA hingga 1 juta pasangan basa (1 MB) pada resolusi basa tunggal, model ini memprediksi pengaruh variasi genetik terhadap mekanisme molekuler dan biologis di 11 modalitas genom: ekspresi gen (RNA_SEQ, CAGE, PROCAP), aksesibilitas kromatin (ATAC, DNASE), modifikasi histon dan pengikatan faktor transkripsi (CHIP_HISTONE, CHIP_TF), penyambungan RNA (SPLICE_SITES, SPLICE_SITE_USAGE, SPLICE_JUNCTIONS), dan peta kontak kromatin 3D (CONTACT_MAPS).

Dokumen ini menjelaskan persyaratan hardware dan deployment untuk AlphaGenome, serta menunjukkan cara men-deploy dan mengkueri model di Gemini Enterprise Agent Platform.

Persyaratan hardware dan deployment

Karena arsitektur AlphaGenome yang mendalam dan jendela konteks 1 MB, model ini memiliki persyaratan hardware dan memori yang ketat. Bagian ini membahas topik-topik berikut:

Konfigurasi VM dan GPU yang didukung

AlphaGenome memerlukan setidaknya satu node. Anda dapat men-deploy model ke endpoint Agent Platform menggunakan jenis mesin yang dilengkapi dengan akselerator NVIDIA A100 atau H100.

Jika Anda memerlukan kapasitas tambahan untuk menangani peningkatan volume permintaan, Anda dapat mengonfigurasi penskalaan otomatis di endpoint Agent Platform untuk menambahkan node secara otomatis. Untuk mengetahui informasi selengkapnya, lihat Menskalakan node inferensi menggunakan penskalaan otomatis.

Jenis akselerator dan mesin yang didukung

Pilih dari jenis mesin yang didukung berikut yang menyediakan memori GPU 80 GB yang diperlukan:

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

Untuk mengetahui spesifikasi mendetail, lihat Mengonfigurasi resource komputasi untuk inferensi.

Persyaratan kuota

Sebelum men-deploy model, pastikan project Google Cloud Anda memiliki kuota inferensi GPU yang memadai di region target untuk metrik berikut:

  • 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

Men-deploy AlphaGenome

AlphaGenome tersedia sebagai model yang di-deploy sendiri dari Model Garden. Untuk petunjuk mendetail tentang cara menyediakan infrastruktur endpoint dan men-deploy model ke project Google Cloud , lihat Men-deploy model terbuka dari Model Garden.

Model Garden menyediakan versi inferensi berikut untuk AlphaGenome:

  • alphagenome-004 (default, gRPC dan HTTP terpadu): Menyajikan ketujuh metode DnaModelService (predict_sequence, predict_interval, predict_variant, score_variant, score_interval, score_ism_variants, dan output_metadata) dari container terpadu yang mendukung streaming gRPC HTTP/2 di port 8081 dan streaming HTTP (streamRawPredict) di port 8080:
    • Publik (endpoint bersama) (gRPC): Pilih Publik (endpoint bersama) di bagian Akses endpoint saat men-deploy di Model Garden untuk mengkueri model melalui streaming gRPC (PredictionService.StreamDirectRawPredict menggunakan dna_client_grpc.create_vertex_client). Memanggil model melalui gRPC akan mengirimkan potongan tensor biner terkompresi secara langsung tanpa overhead serialisasi JSON atau base64, yang mengurangi latensi pada prediksi jalur 1 MB dan menghindari waktu tunggu gateway HTTP pada workload multi-varian dengan konkurensi tinggi seperti mutagenesis saturasi in silico (score_ism_variants).
    • Public (dedicated endpoint) (HTTP): Tetap gunakan opsi default Public (dedicated endpoint) saat men-deploy di Model Garden untuk mengkueri model melalui streaming HTTP (streamRawPredict menggunakan dna_client_http.create_http_client), yang melakukan streaming payload protobuf biner yang dipotong-potong (proto_b64) tanpa batas ukuran respons HTTP 10 MB dari endpoint bersama.
    • Pemilihan fold: Klien gRPC dan klien HTTP di alphagenome-004 mendukung pemilihan fold model (ALL_FOLDS secara default, atau fold individual FOLD_0 hingga FOLD_3) menggunakan parameter model_version.
  • alphagenome-003 (HTTP lama): Menyajikan prediksi melalui streaming HTTP/1.1 (streamRawPredict) di port 8080 dan tetap tersedia untuk kompatibilitas mundur dengan deployment klien HTTP yang ada.

Menggunakan AlphaGenome

Anda dapat berinteraksi dengan endpoint AlphaGenome yang di-deploy secara terprogram menggunakan Python SDK (melalui gRPC di endpoint bersama atau HTTP di endpoint khusus).

Untuk referensi API lengkap, definisi parameter, dan skema mendetail, lihat dokumentasi resmi AlphaGenome.

Prasyarat dan autentikasi

Agent Platform menggunakan Identity and Access Management (IAM) untuk mengelola akses ke endpoint yang di-deploy. Pastikan lingkungan eksekusi Anda (seperti terminal lokal, VM, atau Colaboratory) diautentikasi dengan akun layanan atau kredensial pengguna yang memiliki peran IAM Agent Platform User (roles/aiplatform.user).

Penggunaan (alphagenome-004)

Contoh berikut menunjukkan cara membuat kueri endpoint alphagenome-004 yang di-deploy menggunakan Python SDK:

Python

Menginstal SDK

File wheel untuk AlphaGenome Cloud SDK (alphagenome-004) tersedia di repositori GitHub GoogleCloudPlatform. Download dan instal file wheel dengan menjalankan perintah berikut:

# 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

Melakukan inisialisasi klien

Sebelum mengkueri model, lakukan inisialisasi klien untuk endpoint alphagenome-004 yang di-deploy. Klien gRPC (GrpcDnaClient) dan klien HTTP (HttpDnaClient) mengimplementasikan antarmuka alphagenome.models.dna_model.DnaModel standar.

Untuk terhubung ke endpoint bersama (standar) alphagenome-004 melalui streaming gRPC, teruskan nama resource endpoint Agent Platform Anda ke 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,
)

Jika Anda men-deploy alphagenome-004 ke endpoint khusus, gunakan 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,
)

Memprediksi trek untuk urutan DNA

Gunakan predict_sequence untuk memprediksi modalitas genomik untuk string DNA mentah:

# 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

Memprediksi jalur untuk interval genom referensi

Gunakan predict_interval untuk memprediksi modalitas langsung dari region kromosom tertentu dalam genom referensi:

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
)

Memprediksi efek varian pada jalur genom

Gunakan predict_variant untuk membuat prediksi jalur referensi (reference) dan mutasi (alternate) yang dipasangkan di seluruh interval:

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

Memberi skor pada efek varian

Gunakan score_variant untuk meringkas efek yang diprediksi dari varian genetik yang membandingkan urutan referensi (REF) dengan urutan mutasi alternatif (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)

Memberi skor pada interval genom

Gunakan score_interval untuk menghitung skor interval gene-mask di seluruh region genom:

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)

Menjalankan mutagenesis saturasi in silico

Gunakan score_ism_variants untuk mengevaluasi semua kemungkinan varian nukleotida tunggal di seluruh ism_interval target:

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))

Penggunaan (alphagenome-003)

Python

Menginstal SDK

File Wheel untuk AlphaGenome Cloud SDK tersedia di repositori GitHub GoogleCloudPlatform. Anda dapat mendownload file Wheel dengan menjalankan perintah berikut:

# 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

Melakukan inisialisasi klien

Sebelum dapat menggunakan model, Anda harus melakukan inisialisasi klien:

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
)

Memprediksi trek untuk urutan DNA

Gunakan predict_sequence untuk memprediksi modalitas genomik untuk string DNA mentah:

# 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

Memprediksi jalur untuk interval genom referensi

Gunakan predict_interval untuk memprediksi modalitas langsung dari region kromosom tertentu dalam genom referensi:

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
)

Memberi skor efek varian (mutagenesis in silico)

Gunakan score_variant untuk membandingkan ekspresi yang diprediksi dari urutan referensi (REF) versus urutan mutasi alternatif (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)

Harga

AlphaGenome memerlukan langganan berbayar. Untuk mengetahui informasi tentang harga AlphaGenome, hubungi Google Cloud spesialis penjualan atau hubungi tim akun Google CloudAnda.

Anda bertanggung jawab atas biaya infrastruktur yang digunakan untuk menghosting model, termasuk endpoint Agent Platform dan instance GPU tempat model di-deploy. Untuk mengetahui informasi selengkapnya, lihat Harga Agent Platform.

Batasan

AlphaGenome memiliki batasan berikut:

  • Hanya untuk penggunaan riset: AlphaGenome adalah alat riset dan tidak dimaksudkan atau diizinkan untuk penggunaan diagnostik klinis.
  • Horizon konteks 1 MB: Satu kueri prediksi tidak dapat menangkap interaksi genomik yang terjadi pada jarak lebih dari 1 MB.
  • Tidak ada dukungan penyesuaian: AlphaGenome tidak mendukung penyesuaian pada set data pelatihan pribadi. Model ini hanya tersedia untuk inferensi.

Direktori referensi ilmiah

Untuk mendukung komunitas ilmiah dan developer, tabel berikut mencantumkan materi referensi, literatur, dan referensi utama untuk AlphaGenome:

Jenis resource Judul dan link Deskripsi
Makalah kajian-kolega Advancing regulatory variant effect prediction with AlphaGenome, Nature (Januari 2026) Publikasi ilmiah utama yang menjelaskan arsitektur, evaluasi, dan tolok ukur performa model.
Artikel pracetak AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model, bioRxiv (Juli 2025) Manuskrip awal sebelum diulas oleh rekan sejawat.
Pengumuman AlphaGenome: AI for better understanding the genome, blog Google DeepMind (Juni 2025) Postingan blog rilis tingkat tinggi yang menguraikan dampak model pada genomika.
Dokumentasi API Dokumentasi AlphaGenome Dokumentasi teknis untuk skema API HTTP dan Python SDK.
Panduan video AlphaGenome: AI untuk lebih memahami genom Video panduan yang menguraikan kemampuan model dan alur interaksi dasar. (Durasi video: 30 menit)
Notebook panduan memulai Notebook Colab panduan memulai AlphaGenome Notebook yang menyediakan contoh inisialisasi SDK dan penskoran efek varian yang dapat dieksekusi.

Dukungan dan masukan

Anda bisa mendapatkan dukungan untuk AlphaGenome dengan cara berikut:

  • Dukungan sains genom dan output model: Untuk diskusi tentang biologi, prediksi model, atau interpretabilitas, atau untuk berinteraksi dengan Google DeepMind, bergabunglah dengan Forum Komunitas AlphaGenome publik di alphagenomecommunity.com.
  • Dukungan infrastruktur dan platform: Untuk pertanyaan tentang kuota, akselerator, masalah library klien, atau penagihan, hubungi tim akun Anda atau buka kasus dengan Cloud Customer Care. Google CloudGoogle Cloud