GPN-Star: l’AI impara il DNA dall’evoluzione e trova ciò che la medicina non vede
GPN-Star è un nuovo modello genomico pubblicato su Nature che usa esplicitamente alberi filogenetici e allineamenti tra specie per capire quali regioni del DNA siano sottoposte a maggiore vincolo funzionale. L’idea è potente: l’evoluzione diventa un dataset. Se una sequenza è rimasta conservata per milioni di anni, una modifica può essere più sospetta. Il modello mostra vantaggi diversi a seconda della scala evolutiva considerata e migliora la prioritizzazione di varianti patogeniche e associate a tratti complessi. Nel breve periodo può diventare un filtro insieme a modelli come AlphaGenome. Nel lungo periodo può contribuire a una medicina evolutiva computazionale che interpreta il genoma come una rete di vulnerabilità e resilienza, non come un semplice elenco di mutazioni.
AlphaGenome Atlas: 9 miliardi di mutazioni, l’AI prova a leggere ogni lettera del DNA umano
Google DeepMind ha presentato AlphaGenome Atlas, una piattaforma che contiene previsioni sugli effetti molecolari di circa nove miliardi di possibili varianti a singola lettera del genoma umano. Non sono nove miliardi di esperimenti: sono previsioni da validare. Ma la scala cambia il problema della genetica, perché permette di restringere molto più velocemente lo spazio delle varianti da studiare. Nel breve periodo può aiutare ricerca e diagnostica a prioritizzare mutazioni difficili da interpretare, soprattutto nelle regioni non codificanti. Nel lungo periodo, sistemi genomici diversi potrebbero convergere in gemelli biologici computazionali capaci di modellare vulnerabilità, risposta ai farmaci e invecchiamento. AlphaGenome Atlas non rende il DNA “risolto”, ma lo trasforma progressivamente da testo statico a spazio di conseguenze navigabile.
