AlphaGenome

Durata del video: 30 minuti

AlphaGenome è un modello di deep learning allo stato dell'arte sviluppato da Google DeepMind. È progettato per decifrare il codice normativo funzionale del genoma umano. Analizzando sequenze di DNA su larga scala (fino a 1 milione di coppie di basi) con una risoluzione a base singola, il modello prevede in che modo le variazioni genetiche influiscono sui meccanismi molecolari e biologici come l'espressione genica, l'accessibilità della cromatina e lo splicing dell'RNA.

Questo documento illustra come eseguire il deployment e utilizzare AlphaGenome, nonché i requisiti hardware e di deployment per l'utilizzo del modello.

Requisiti hardware e di deployment

A causa dell'architettura profonda e della finestra contestuale di 1 MB di AlphaGenome, il modello ha requisiti hardware e di memoria rigorosi. Questa sezione tratta:

Configurazioni VM e GPU supportate

AlphaGenome richiede un minimo di un nodo e può essere sottoposto a deployment negli endpoint di Agent Platform utilizzando tipi di macchine specifici dotati di acceleratori NVIDIA A100 o H100.

Gli endpoint di Agent Platform scalano senza problemi. Se è necessaria una capacità aggiuntiva per gestire volumi di richieste maggiori, gli amministratori possono configurare la scalabilità automatica per aggiungere continuamente nodi in base alle esigenze. Per saperne di più, consulta Scalare i nodi di inferenza utilizzando la scalabilità automatica.

Tipi di macchine e acceleratori supportati

Gli amministratori devono selezionare i seguenti tipi di macchine supportati che forniscono la memoria GPU di 80 GB richiesta:

  • 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

Per le specifiche dettagliate, consulta Configurare le risorse di calcolo per l'inferenza.

Requisiti di quota

Prima del deployment, gli amministratori devono assicurarsi che al Google Cloud progetto sia stata assegnata una quota di fornitura di GPU adeguata nella regione di destinazione:

  • 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

Eseguire il deployment di AlphaGenome

AlphaGenome è disponibile come modello con deployment autonomo da Model Garden. Per istruzioni dettagliate sul provisioning dell'infrastruttura dell'endpoint e sul deployment del modello in un Google Cloud progetto, consulta Eseguire il deployment di modelli aperti da Model Garden.

Utilizzare AlphaGenome

Gli utenti possono interagire con l'endpoint AlphaGenome sottoposto a deployment a livello di programmazione utilizzando l'SDK Python o l'API REST.

Per il riferimento API completo, le definizioni dei parametri e gli schemi dettagliati, consulta la documentazione ufficiale di AlphaGenome.

Prerequisiti e autenticazione

L'accesso all'endpoint sottoposto a deployment viene gestito utilizzando Google Cloud Identity and Access Management. Assicurati che l'ambiente di esecuzione (ad esempio un terminale locale, una VM o Colab) sia autenticato con le credenziali (un account di servizio o le credenziali dell'utente finale) che hanno il ruolo Utente di Agent Platform (roles/aiplatform.user).

Utilizzo

Python

Installare l'SDK

Il file Wheel per l'SDK Cloud AlphaGenome è disponibile nel repository GitHub GoogleCloudPlatform. Puoi scaricare il file Wheel eseguendo il seguente comando:

# 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

Inizializzare il client

Prima di poter utilizzare il modello, devi inizializzare il client:

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
)

Prevedere le tracce per una sequenza di DNA

Utilizza predict_sequence per prevedere le modalità genomiche per una stringa di DNA non elaborata:

# 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

Prevedere le tracce per un intervallo di genoma di riferimento

Utilizza predict_interval per prevedere le modalità direttamente da una regione cromosomica specifica nel genoma di riferimento:

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
)

Assegnare un punteggio all'effetto di una variante (mutagenesi in silico)

Utilizza score_variant per confrontare l'espressione prevista di una sequenza di riferimento (REF) con una sequenza mutata alternativa (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)

REST

I client possono eseguire query sull'endpoint sottoposto a deployment utilizzando strumenti client REST standard come curl:

# Set your base endpoint URL
export ENDPOINT_URL="https://<your-endpoint-url>"

# (Optional) If you choose to impersonate a service account, set this variable
# export SERVICE_ACCOUNT="your-service-account-email@your-project.iam.gserviceaccount.com"

# Generate an OAuth2 access token using your current credentials
# If using service account impersonation, append: --impersonate-service-account=$SERVICE_ACCOUNT
export TOKEN=$(gcloud auth print-access-token)

curl -X POST \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/alphagenome-003",
    "instances": [
      {
        "request_type": "predict_interval",
        "data": {
          "interval": {
            "chromosome": "chr19",
            "start": "40480552",
            "end": "41529128",
            "strand": "STRAND_UNSTRANDED"
          },
          "organism": "ORGANISM_HOMO_SAPIENS",
          "requestedOutputs": ["OUTPUT_TYPE_ATAC"]
        }
      }
    ]
  }' \
  ${ENDPOINT_URL}:streamRawPredict

Tieni presente che gli endpoint AlphaGenome richiedono l'aggiunta dell'azione streamRawPredict all'URL dell'endpoint di base.

Prezzi

AlphaGenome richiede un abbonamento a pagamento. Per informazioni sui prezzi di AlphaGenome, contatta uno Google Cloud specialista delle vendite o collabora con il Google Cloud team dedicato all'account.

Sei responsabile del costo dell'infrastruttura utilizzata per ospitare il modello, inclusi l'endpoint di Agent Platform e le istanze GPU su cui è stato eseguito il deployment del modello. Per saperne di più, consulta i prezzi di Agent Platform pricing.

Limitazioni

AlphaGenome presenta le seguenti limitazioni:

  • Solo per uso di ricerca: AlphaGenome è uno strumento di ricerca e non è destinato o approvato per l'uso diagnostico clinico.
  • Orizzonte di contesto di 1 MB: le interazioni genomiche che si verificano su distanze superiori a 1 MB non possono essere acquisite in una singola query di previsione.
  • Nessun supporto per l'ottimizzazione: l'ottimizzazione del modello di base AlphaGenome su set di dati di addestramento privati non è supportata. Il modello è disponibile solo per l'inferenza.

Directory di riferimenti scientifici

Per supportare le comunità scientifiche e di sviluppatori, la seguente tabella elenca i materiali di riferimento principali, la letteratura e le risorse per AlphaGenome:

Tipo di risorsa Titolo e link Descrizione
Articolo sottoposto a revisione paritaria Advancing regulatory variant effect prediction with AlphaGenome, Nature (gennaio 2026) La pubblicazione scientifica principale che descrive in dettaglio l'architettura, le valutazioni e i benchmark delle prestazioni del modello.
Articolo di pre-stampa AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model, bioRxiv (luglio 2025) Il manoscritto iniziale di pre-revisione paritaria.
Annuncio AlphaGenome: AI for better understanding the genome, blog di Google DeepMind (giugno 2025) Il post del blog di rilascio di alto livello che delinea l'impatto del modello sulla genomica.
Documentazione dell'API Documentazione di AlphaGenome Documentazione tecnica per gli schemi dell'SDK Python e dell'API HTTP.
Procedura dettagliata per i video AlphaGenome: AI for better understanding the genome Procedura dettagliata per i video che descrive le funzionalità del modello e i flussi di interazione di base. (Durata del video: 30 minuti)
Notebook di avvio rapido Notebook Colab di avvio rapido di AlphaGenome Un notebook che fornisce esempi eseguibili di inizializzazione dell'SDK e di assegnazione di punteggi all'effetto della variante.

Assistenza e feedback

Puoi ricevere assistenza per AlphaGenome nei seguenti modi:

  • Assistenza per la scienza genomica e l'output del modello: per discussioni su biologia, previsioni del modello, interpretabilità o per interagire con Google DeepMind, partecipa al forum pubblico della community AlphaGenome ed EDM all'indirizzo alphagenomecommunity.com.
  • Assistenza per l'infrastruttura e la piattaforma: per domande relative a Google Cloud quote, acceleratori, problemi con la libreria client, fatturazione e così via, contatta il team dedicato all'account o apri un ticket con il team di assistenza standard Google Cloud