Google DeepMind erweitert sein biologisches Toolkit über die Welt der Proteinfaltung hinaus. Nach dem Erfolg von AlphaFold hat das Forschungsteam von Google AlphaGenome eingeführt. Hierbei handelt es sich um ein einheitliches Deep-Studying-Modell, das für die Sequenz-zu-Funktions-Genomik entwickelt wurde. Dies stellt einen großen Wandel in der Artwork und Weise dar, wie wir das menschliche Genom modellieren. AlphaGenome behandelt DNA nicht als einfachen Textual content. Stattdessen verarbeitet es 1.000.000 Basenpaarfenster roher DNA, um den Funktionszustand einer Zelle vorherzusagen.

Überbrückung der Skalenlücke mit Hybridarchitekturen

Die Komplexität des menschlichen Genoms ergibt sich aus seiner Größe. Den meisten bestehenden Modellen fällt es schwer, das Gesamtbild zu erkennen und gleichzeitig die feinen Particulars im Auge zu behalten. AlphaGenome löst dieses Drawback durch den Einsatz einer Hybridarchitektur. Es kombiniert ein U-Internet-Spine mit Transformer-Blöcken. Dadurch kann das Modell weitreichende Wechselwirkungen über eine Sequenz von 1 Megabase erfassen und gleichzeitig die Basenpaarauflösung beibehalten. Das ist, als würde man ein System aufbauen, das ein tausendseitiges Buch lesen kann und sich trotzdem die genaue Place eines einzelnen Kommas merkt.

Zuordnung von Sequenzen zu funktionellen biologischen Modalitäten

AlphaGenome ist ein Sequenz-zu-Funktions-Modell. Das bedeutet, dass sein Hauptziel darin besteht, DNA-Sequenzen direkt biologischen Aktivitäten zuzuordnen. Diese Aktivitäten werden in genomischen Spuren gemessen. Das Forschungsteam trainierte AlphaGenome, 11 verschiedene genomische Modalitäten vorherzusagen. Zu diesen Modalitäten gehören RNA-seq, CAGE und ATAC-seq. Dazu gehören auch ChIP-seq für verschiedene Transkriptionsfaktoren und Chromatin-Kontaktkarten. Durch die gleichzeitige Vorhersage all dieser Spuren erhält das Modell ein ganzheitliches Verständnis darüber, wie DNA die Zelle reguliert.

Die Kraft des Multitasking-Lernens in der Genomik

Der technische Fortschritt von AlphaGenome liegt in seiner Fähigkeit, 11 verschiedene Datentypen gleichzeitig zu verarbeiten. In der Vergangenheit haben Forscher oft für jede Aufgabe separate Modelle erstellt. AlphaGenome verwendet einen Multitasking-Lernansatz. Dies hilft dem Modell, gemeinsame Merkmale verschiedener biologischer Prozesse zu lernen. Wenn das Modell versteht, wie ein Protein an DNA bindet, kann es besser vorhersagen, wie diese DNA als RNA ausgedrückt wird. Dieser einheitliche Ansatz reduziert den Bedarf an mehreren Spezialmodellen.

Verbesserung der Vorhersage von Varianteneffekten durch Destillation

Eine der wichtigsten Anwendungen für AlphaGenome ist die Variant Impact Prediction (VEP). Dieser Prozess bestimmt, wie sich eine einzelne Mutation in der DNA auf den Körper auswirkt. Mutationen können zu Krankheiten wie Krebs oder Herzerkrankungen führen. AlphaGenome zeichnet sich dabei durch die Verwendung einer speziellen Trainingsmethode aus, die „Lehrer-Schüler-Destillation“ genannt wird. Das Forschungsteam erstellte zunächst ein Ensemble von „All-Folds“-Lehrermodellen. Diese Lehrer wurden anhand riesiger Mengen genomischer Daten geschult. Anschließend destillierten sie dieses Wissen in einem einzigen Studentenmodell.

Komprimiertes Wissen für die Präzisionsmedizin

Dieser Destillationsprozess macht das Modell sowohl schneller als auch robuster. Dies ist eine Standardmethode zur Komprimierung von Wissen. Die Anwendung auf die Genomik in diesem Maßstab ist jedoch ein neuer Meilenstein. Das Schülermodell lernt, die qualitativ hochwertigen Vorhersagen des Lehrerensembles zu reproduzieren. Dadurch können schädliche Mutationen mit hoher Genauigkeit identifiziert werden. Das Modell kann sogar vorhersagen, wie sich eine Mutation in einem entfernten regulatorischen Component auf ein weit entferntes Gen auf dem DNA-Strang auswirken könnte.

Hochleistungsrechnen mit JAX und TPUs

Die Architektur wird mit JAX implementiert. JAX ist eine leistungsstarke numerische Computerbibliothek. Es wird bei Google häufig für groß angelegtes maschinelles Lernen verwendet. Durch die Verwendung von JAX kann AlphaGenome effizient auf Tensor Processing Models oder TPUs ausgeführt werden. Das Forschungsteam nutzte Sequenzparallelität, um die riesigen Eingabefenster von 1 Megabase zu bewältigen. Dadurch wird sichergestellt, dass der Speicherbedarf mit zunehmender Sequenzlänge nicht explodiert. Dies zeigt, wie wichtig es ist, den richtigen Rahmen für groß angelegte biologische Daten auszuwählen.

Transferlernen für datenarme Zelltypen

AlphaGenome befasst sich auch mit der Herausforderung der Datenknappheit bei bestimmten Zelltypen. Da es sich um ein Basismodell handelt, kann es für bestimmte Aufgaben fein abgestimmt werden. Das Modell lernt allgemeine biologische Regeln aus großen öffentlichen Datensätzen. Diese Regeln können dann auf seltene Krankheiten oder bestimmte Gewebe angewendet werden, für die Daten schwer zu finden sind. Diese Fähigkeit zum Transferlernen ist einer der Gründe, warum AlphaGenome so vielseitig ist. Es kann vorhersagen, wie sich ein Gen in einer Gehirnzelle verhält, selbst wenn es hauptsächlich anhand von Leberzelldaten trainiert wurde.

Auf dem Weg zu einer neuen Ära der personalisierten Pflege

In Zukunft könnte AlphaGenome eine neue Ära der personalisierten Medizin einläuten. Ärzte könnten das Modell verwenden, um das gesamte Genom eines Patienten in 1.000.000 Basenpaar-Blöcken zu scannen. Sie könnten genau identifizieren, welche Varianten wahrscheinlich gesundheitliche Probleme verursachen. Dies würde Behandlungen ermöglichen, die auf den spezifischen genetischen Code einer Individual zugeschnitten sind. AlphaGenome bringt uns dieser Realität näher, indem es eine klare und genaue Karte des funktionellen Genoms liefert.

Den Customary für biologische KI setzen

AlphaGenome markiert auch einen Wendepunkt für KI in der Genomik. Es beweist, dass wir die komplexesten biologischen Systeme mithilfe derselben Prinzipien modellieren können, die auch in der modernen KI verwendet werden. Durch die Kombination von U-Internet-Strukturen mit Transformers und der Verwendung der Lehrer-Schüler-Destillation hat das Google DeepMind-Staff einen neuen Customary gesetzt.

Wichtige Erkenntnisse

• Hybride Sequenzarchitektur: AlphaGenome verwendet ein spezielles Hybriddesign, das Folgendes kombiniert: U-Internet Rückgrat mit Transformator Blöcke. Dadurch kann das Modell große Fenster verarbeiten 1.000.000 Basenpaare unter Beibehaltung der hohen Auflösung, die zur Identifizierung einzelner Mutationen erforderlich ist.
• Multimodale funktionale Vorhersage: Das Modell ist darauf trainiert, Vorhersagen zu treffen 11 verschiedene genomische Modalitäten gleichzeitig, einschließlich RNA-seq, CAGE und ATAC-seq. Durch das gemeinsame Erlernen dieser verschiedenen biologischen Spuren erhält das System ein ganzheitliches Verständnis darüber, wie DNA die Zellaktivität in verschiedenen Geweben reguliert.
• Lehrer-Schüler-Destillation: Um branchenführende Genauigkeit zu erreichen Varianteneffektvorhersage (VEP)Forscher verwendeten eine Destillationsmethode. Sie übertrugen das Wissen aus einem Ensemble leistungsstarker „Lehrer“-Modelle in ein einziges, effizientes „Schüler“-Modell, das schneller und robuster bei der Identifizierung krankheitsverursachender Mutationen ist.
• Gebaut für Hochleistungsrechnen: Das Framework ist implementiert in JAX und optimiert für TPUs. Durch die Verwendung von Sequenzparallelität kann AlphaGenome die Rechenlast der Analyse von DNA-Sequenzen im Megabasen-Maßstab bewältigen, ohne die Speichergrenzen zu überschreiten, was es zu einem leistungsstarken Werkzeug für groß angelegte Forschung macht.

---

Schauen Sie sich das an Papier Und Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Jeden Herbst, wenn sich die nördliche Hemisphäre dem Winter nähert, Judah Cohen beginnt, ein komplexes atmosphärisches Puzzle zusammenzusetzen. Cohen, ein Forschungswissenschaftler am Division of Civil and Environmental Engineering (CEE) des MIT, hat jahrzehntelang untersucht, wie die Bedingungen in der Arktis die Weichen für das Winterwetter in Europa, Asien und Nordamerika stellen. Seine Forschung geht auf seine Postdoktorandenarbeit bei Professor Dara Entekhabi von Bacardi und den Stockholm Water Foundations zurück, in der er sich mit der Schneedecke in der sibirischen Area und ihrem Zusammenhang mit der Wintervorhersage befasste.

Cohens Ausblick auf den Winter 2025–26 markiert eine Jahreszeit, die von Indikatoren geprägt ist, die aus der Arktis mithilfe einer neuen Era von Werkzeugen der künstlichen Intelligenz auftauchen und dabei helfen, das vollständige atmosphärische Bild zu entwickeln.

Blick über die üblichen Klimatreiber hinaus

Wintervorhersagen stützen sich stark auf die El-Niño-Southern-Oscillation-Diagnostik (ENSO), bei der es sich um die Bedingungen des tropischen Pazifiks und der Atmosphäre handelt, die das Wetter auf der ganzen Welt beeinflussen. Allerdings stellt Cohen fest, dass ENSO in diesem Jahr relativ schwach ist.

„Wenn ENSO schwach ist, werden Klimaindikatoren aus der Arktis besonders wichtig“, sagt Cohen.

Cohen überwacht in seinen subsaisonalen Vorhersagen die Diagnose hoher Breitengrade, wie etwa die Schneedecke im Oktober in Sibirien, Temperaturänderungen zu Beginn der Saison, die Ausdehnung des arktischen Meereises und die Stabilität des Polarwirbels. „Diese Indikatoren können eine überraschend detaillierte Geschichte über den bevorstehenden Winter erzählen“, sagt er.

Einer der konsistentesten Datenvorhersagen von Cohen ist das Oktoberwetter in Sibirien. Während die nördliche Hemisphäre dieses Jahr einen ungewöhnlich warmen Oktober erlebte, battle es in Sibirien kälter als regular und es fiel früher Schnee. „Kalte Temperaturen gepaart mit einer frühen Schneedecke verstärken tendenziell die Bildung kalter Luftmassen, die später nach Europa und Nordamerika gelangen können“, sagt Cohen – Wettermuster, die historisch mit häufigeren Kälteperioden später im Winter verbunden sind.

Warme Meerestemperaturen in der Barents-Kara-See und eine „östliche“ Part der quasi alle zwei Jahre stattfindenden Oszillation deuten ebenfalls auf einen möglicherweise schwächeren Polarwirbel im Frühwinter hin. Wenn diese Störung mit den Oberflächenbedingungen im Dezember einhergeht, führt sie zu Beginn der Saison in Teilen Eurasiens und Nordamerikas zu niedrigeren Temperaturen als regular.

Subsaisonale KI-Prognose

Während KI-Wettermodelle beeindruckende Fortschritte gemacht haben, die sich in Vorhersagen für kurze Zeiträume (ein bis zehn Tage) zeigen, sind diese Fortschritte noch nicht auf längere Zeiträume anwendbar. Die subsaisonale Vorhersage über zwei bis sechs Wochen bleibt eine der größten Herausforderungen auf diesem Gebiet.

Diese Lücke ist der Grund, warum dieses Jahr ein Wendepunkt für die subsaisonale Wettervorhersage sein könnte. Ein Forscherteam um Cohen gewann den ersten Platz für die Herbstsaison im subsaisonalen Vorhersagewettbewerb AI WeatherQuest 2025, der vom Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF) veranstaltet wird. Bei der Herausforderung wird bewertet, wie intestine KI-Modelle Temperaturmuster über mehrere Wochen hinweg erfassen, in denen die Vorhersage historisch begrenzt battle.

Das Gewinnermodell kombinierte die Mustererkennung durch maschinelles Lernen mit der gleichen arktischen Diagnostik, die Cohen über Jahrzehnte verfeinert hat. Das System zeigte erhebliche Fortschritte bei mehrwöchigen Prognosen und übertraf führende KI- und statistische Basiswerte.

„Wenn dieses Leistungsniveau über mehrere Saisons hinweg anhält, könnte dies einen echten Fortschritt für die Vorhersage außerhalb der Saison darstellen“, sagt Cohen

Das Modell erkannte auch einen möglichen Kälteanstieg Mitte Dezember an der US-Ostküste viel früher als üblich, Wochen bevor solche Signale normalerweise auftreten. Die Prognose wurde in Echtzeit in den Medien weithin bekannt gemacht. Wenn es validiert wird, erklärt Cohen, würde es zeigen, wie die Kombination von Arktis-Indikatoren mit KI die Vorlaufzeit für die Vorhersage von einflussreichem Wetter verlängern könnte.

„Es wäre ein Wendepunkt, ein potenzielles Extremereignis drei bis vier Wochen im Voraus zu melden“, fügt er hinzu. „Es würde Versorgungsunternehmen, Transportsystemen und öffentlichen Behörden mehr Zeit geben, sich vorzubereiten.“

Was dieser Winter bringen magazine

Cohens Modell zeigt, dass die Wahrscheinlichkeit, dass es in Teilen Eurasiens und Zentral-Nordamerikas später im Winter kälter als regular wird, größer ist, wobei die stärksten Anomalien wahrscheinlich in der Mitte der Saison auftreten.

„Wir sind noch am Anfang und die Muster können sich ändern“, sagt Cohen. „Aber die Zutaten für einen kälteren Winter sind da.“

Da sich die Erwärmung der Arktis beschleunigt, werden ihre Auswirkungen auf das Verhalten im Winter immer deutlicher. Daher wird es immer wichtiger, diese Zusammenhänge für Energieplanung, Transport und öffentliche Sicherheit zu verstehen. Cohens Arbeit zeigt, dass die Arktis über ungenutzte subsaisonale Vorhersagemöglichkeiten verfügt, und KI könnte dabei helfen, diese für Zeitrahmen zu erschließen, die für traditionelle Modelle lange Zeit eine Herausforderung darstellten.

Im November tauchte Cohen sogar als Informant auf Die Washington Submit Kreuzworträtselein kleines Zeichen dafür, wie weithin seine Forschungen Eingang in die öffentliche Debatte über das Winterwetter gefunden haben.

„Für mich battle die Arktis schon immer der Ort zum Beobachten“, sagt er. „Jetzt gibt uns die KI neue Möglichkeiten, ihre Signale zu interpretieren.“

Cohen wird seinen Ausblick im Laufe der Saison weiterhin aktualisieren Weblog.

Zunächst einmal brauchen wir Daten.

Ich habe Daten zu allen Gesetzen heruntergeladen, über die abgestimmt wurde, und wie jedes Mitglied des Kongresses von 2023 bis 2024 bis zum 18. Mai abgestimmt hat. Alle Daten sind beim brasilianischen C verfügbarDas offene Datenportal von ongress. Anschließend habe ich zwei verschiedene Pandas-Datenrahmen erstellt, einen mit allen Gesetzen, über die abgestimmt wurde, und einen anderen mit der Artwork und Weise, wie jedes Kongressmitglied bei jeder Abstimmung abgestimmt hat.

votacoes = pd.concat((pd.read_csv('votacoes-2023.csv', header=0, sep=';'),  pd.read_csv('votacoes-2024.csv', header=0, sep=';')))
votacoes_votos_dep = pd.concat((pd.read_csv('votacoesVotos-2023.csv', sep=';', quoting=1) ,  pd.read_csv('votacoesVotos-2024.csv', sep=';', on_bad_lines='warn', quoting=1, encoding='utf-8')))

Zum Votacoes Datenrahmen, ich habe nur die Einträge mit ausgewählt idOrgao von 180, was bedeutet, dass sie in der Hauptkammer des Kongresses gewählt wurden. Wir haben additionally die Daten für die Stimmen der meisten Kongressmitglieder. Dann habe ich die Liste der verwendet votacoes_Ids um die zu filtern votacoes_votos_dep Datenrahmen.

plen = votacoes(votacoes('idOrgao') == 180)
votacoes_ids = plen('id').distinctive()
votacoes_votos_dep = votacoes_votos_dep(votacoes_votos_dep('idVotacao').isin(votacoes_ids))

Nun, im votacoes_votos_dep, Bei jeder Abstimmung handelt es sich um eine Zeile mit dem Namen des Kongressmitglieds und der Abstimmungssitzungs-ID, um zu identifizieren, auf wen und worauf sich die Abstimmung bezieht. Deshalb habe ich eine Pivot-Tabelle erstellt, in der jede Zeile ein Kongressmitglied darstellt und jede Spalte sich auf eine Stimme bezieht. Dabei habe ich „Ja“ als 1 und „Nein“ als 0 kodiert und alle Stimmen gelöscht, bei denen mehr als 280 Abgeordnete nicht abgestimmt haben.

votacoes_votos_dep('voto_numerico') = votacoes_votos_dep('voto').map({'Sim': 1, 'Não':0})
votes_pivot = votacoes_votos_dep.pivot_table(index='deputado_nome', columns='idVotacao', values='voto_numerico').dropna(axis=1, thresh=280)

Bevor ich die Ähnlichkeitsmatrix berechnete, habe ich alle verbleibenden NAs mit 0,5 gefüllt, um die Positionierung des Kongressmitglieds nicht zu beeinträchtigen. Schließlich berechnen wir die Ähnlichkeit zwischen den Vektoren jedes Stellvertreters mithilfe der Kosinusähnlichkeit und speichern sie in einem Datenrahmen.

from sklearn.metrics.pairwise import cosine_similarity
similarity_matrix = cosine_similarity(votes_pivot)
similarity_df = pd.DataFrame(similarity_matrix, index=votes_pivot.index, columns=votes_pivot.index)

Nutzen Sie nun die Informationen über die Abstimmungsähnlichkeiten zwischen Kongressabgeordneten, um mithilfe von N ein Netzwerk aufzubauenetworkx. Ein Knoten repräsentiert jedes Mitglied.

import networkx as nx
names = similarity_df.columns
# Create the graph as earlier than
G = nx.Graph()
for i, title in enumerate(names):
G.add_node(title)

Dann stellen die Kanten, die zwei Knoten verbinden, eine Ähnlichkeit von mindestens 75 % des Abstimmungsverhaltens der beiden Kongressabgeordneten dar. Um der Tatsache Rechnung zu tragen, dass einige Kongressabgeordnete Dutzende von Kollegen mit einem hohen Grad an Ähnlichkeit haben, habe ich nur die ersten 25 Kongressabgeordneten mit der höchsten Ähnlichkeit ausgewählt, um ihnen einen Vorteil zu verschaffen.

threshold = 0.75
for i in vary(len(similarity_matrix)):
for j in vary(i + 1, len(similarity_matrix)):
if similarity_matrix(i)(j) > threshold:
# G.add_edge(names(i), names(j), weight=similarity_matrix(i)(j))
counter(names(i)).append((names(j), similarity_matrix(i)(j)))
for supply, goal in counter.gadgets():
selected_targets = sorted(goal, key=lambda x: x(1), reverse=True)(:26)
for goal, weight in selected_targets:
G.add_edge(supply, goal, weight=weight)

Um das Netzwerk zu visualisieren, müssen Sie die Place jedes Knotens in der Ebene bestimmen. Ich habe mich für das Federlayout entschieden, bei dem die Kanten als Federn verwendet werden, die Knoten zusammenhalten und gleichzeitig versuchen, sie zu trennen. Das Hinzufügen eines Startwerts ermöglicht die Reproduzierbarkeit, da es sich um einen zufälligen Prozess handelt.

pos = nx.spring_layout(G, ok=0.1,  iterations=50, seed=29)

Abschließend zeichnen wir das Netzwerk mithilfe einer Go-Figur auf und fügen die Kanten und Knoten basierend auf ihrer Place einzeln hinzu.

# Create Edges
edge_x = ()
edge_y = ()
for edge in G.edges():
x0, y0 = pos(edge(0))
x1, y1 = pos(edge(1))
edge_x.lengthen((x0, x1, None))
edge_y.lengthen((y0, y1, None))
# Add edges as a scatter plot
edge_trace = go.Scatter(x=edge_x, y=edge_y, line=dict(width=0.5, shade='#888'), hoverinfo='none', mode='traces')
# Create Nodes
node_x = ()
node_y = ()
for node in G.nodes():
x, y = pos(node)
node_x.append(x)
node_y.append(y)
# Add nodes as a scatter plot
node_trace = go.Scatter(x=node_x, y=node_y, mode='markers+textual content', hoverinfo='textual content', marker=dict(showscale=True, colorscale='YlGnBu', dimension=10, shade=(), line_width=2))
# Add textual content to the nodes
node_trace.textual content = listing(G.nodes())
# Create a determine
fig = go.Determine(knowledge=(edge_trace, node_trace),
structure=go.Format(showlegend=False, hovermode='closest', margin=dict(b=0,l=0,r=0,t=0), xaxis=dict(showgrid=False, zeroline=False, showticklabels=False), yaxis=dict(showgrid=False, zeroline=False, showticklabels=False)))
fig.present()

Ergebnis:

Nun, es ist ein guter Anfang. Es sind verschiedene Cluster von Kongressabgeordneten zu sehen, was darauf hindeutet, dass die politische Ausrichtung und die Bündnisse im Kongress genau erfasst werden. Aber es ist ein Chaos, und es ist unmöglich, wirklich zu erkennen, was vor sich geht.

Um die Visualisierung zu verbessern, habe ich dafür gesorgt, dass der Title nur dann angezeigt wird, wenn Sie mit der Maus über den Knoten fahren. Außerdem habe ich die Knoten entsprechend den auf der Web site des Kongresses verfügbaren politischen Parteien und Koalitionen eingefärbt und ihre Größe danach bestimmt, mit wie vielen Kanten sie verbunden sind.

Es ist viel besser. Wir haben drei Cluster mit einigen Knoten dazwischen und jeweils einigen größeren. Außerdem gibt es in jedem Cluster einen Großteil einer bestimmten Farbe. Nun, lassen Sie es uns genauer analysieren.