El lunes, Google lanzó una herramienta llamada DeepVariant que utiliza el aprendizaje profundo, la técnica de aprendizaje automático que ahora domina a la IA, para ensamblar genomas humanos completos. Siguiendo el modelo de las redes de neuronas en el cerebro humano, estos modelos matemáticos masivos han aprendido a hacer cosas como identificar rostros publicados en su feed de noticias de Facebook, transcribir sus solicitudes inane a Siri, e incluso luchar contra los trolls de Internet . Y ahora, los ingenieros de Google Brain y Verily (spin-off de las ciencias biológicas de Alphabet) le enseñaron a uno a tomar los datos de secuencia en bruto y alinear los miles de millones de As, Ts, C y G que lo hacen a usted.
El año pasado, DeepVariant obtuvo el primer premio en un concurso de la FDA para promover mejoras en la secuenciación genética. La versión de código abierto que el equipo de Google Brain / Verily presentó al mundo el lunes redujo aún más las tasas de error, en más del 50 por ciento.Parece que el gran maestro Ke Jie no será el único superado por las redes neuronales AI de Google este año.
DeepVariant llega en un momento en el que los proveedores de servicios de salud, las firmas farmacéuticas y los fabricantes de diagnósticos médicos compiten para capturar la mayor cantidad posible de información genómica. Para satisfacer la necesidad, los rivales de Google como IBM y Microsoft se están moviendo al espacio de la IA de la sanidad, con especulaciones sobre si Apple y Amazon harán lo mismo. Si bien el código de DeepVariant no tiene costo, no es cierto de la potencia informática necesaria para ejecutarlo. Los científicos dicen que los gastos evitarán que se convierta en el estándar en el corto plazo, especialmente para proyectos a gran escala.
Mira, la mayoría de las tecnologías de secuenciación modernas funcionan al tomar una muestra de tu ADN, cortarlo en millones de fragmentos cortos y luego usar nucleótidos marcados fluorescentemente para producir lecturas, la lista de As, Ts, Cs y Gs que corresponden a cada uno retazo. Entonces esos millones de lecturas deben agruparse en secuencias contiguas y alinearse con un genoma de referencia.
Esa es la parte que les da tantos problemas a los científicos. Reunir esos fragmentos en una aproximación utilizable del genoma real sigue siendo uno de los mayores pasos de limitación de velocidad para la genética. Existe una serie de programas de software para ayudar a juntar las piezas del rompecabezas. FreeBayes, VarDict, Samtools y el más utilizado, GATK, dependen de enfoques estadísticos sofisticados para detectar mutaciones y filtrar errores. Cada herramienta tiene fortalezas y debilidades, y los científicos a menudo terminan teniendo que usarlas en conjunto.
Pero para 2013, el trabajo se había estabilizado. «Probamos casi todos los enfoques estadísticos estándar bajo el sol, pero nunca encontramos una forma efectiva de mover la aguja», dice DePristo. «No quedó claro después de cinco años si era posible hacerlo mejor». DePristo se fue para buscar una empresa nueva respaldada por Google Ventures llamada SynapDx que estaba desarrollando una prueba de sangre para el autismo. Cuando eso se canceló dos años más tarde, uno de los miembros de la junta directiva, Andrew Conrad (de Google X, luego Google Life Sciences, y luego Verily) convenció a DePristo de unirse al pliegue de Google / Alphabet. Se reunió con Popelín, que se había unido el mes anterior.
Y esta vez, Dean no fue solo una cita; él era su jefe.
Como jefe de Google Brain, Dean es el hombre detrás de la explosión de redes neuronales que ahora apuntalan todas las formas en que busca, twittea y compra. Con su ayuda, DePristo y Poplin querían ver si podían enseñar una de estas redes neuronales para reconstruir un genoma con más precisión que su bebé, GATK.
La red no perdió tiempo en hacerlos sentir obsoletos. Después de entrenarlo en conjuntos de datos de referencia de solo siete genomas humanos, DeepVariant fue capaz de identificar con precisión esos intercambios de nucleótidos únicos en 99.9587 por ciento del tiempo. «Fue impactante ver cuán rápido los modelos de aprendizaje profundo superaron a nuestras herramientas antiguas», dice DePristo. Su equipo publicó los resultados en bioRxiv en diciembre de 2016, y el verano siguiente ganó un premio de alto rendimiento en PrecisionFDA Truth Challenge.
DEEPVARIANT FUNCIONA transformando la tarea de llamada de variante (descubriendo qué pares de bases realmente le pertenecen y no a un error u otro artefacto de procesamiento) en un problema de clasificación de imágenes. Toma capas de datos y los convierte en canales, como los colores en su televisor. En el primer modelo de trabajo usaron tres canales: el primero eran las bases reales, el segundo era un puntaje de calidad definido por el secuenciador de donde salían las lecturas, el tercero contenía otros metadatos. Al comprimir todos esos datos en una especie de archivo de imagen y entrenar el modelo en decenas de millones de estas «imágenes» multicanal, DeepVariant comenzó a ser capaz de determinar la probabilidad de que cualquier A o T o C o G emparejó completamente el genoma de referencia, varió en una copia, o varió en ambos.
Pero no se detuvieron allí. Después del concurso de la FDA, hicieron la transición del modelo a TensorFlow, el motor de inteligencia artificial de Google, y continuaron ajustando sus parámetros al cambiar los tres canales de datos comprimidos en siete canales de datos sin formato. Eso les permitió reducir la tasa de error en un 50 por ciento más. En un análisis independiente realizado esta semana por la plataforma de computación genómica, DNAnexus, DeepVariant superó ampliamente a GATK, Freebayes y Samtools, a veces reduciendo los errores hasta 10 veces.
«Eso demuestra que esta tecnología realmente tiene un futuro importante en el procesamiento de datos bioinformáticos», dice el CEO de DNAnexus, Richard Daly.»Pero es solo el capítulo inicial de un libro que tiene 100 capítulos». Daly dice que espera que este tipo de IA encuentre algún día las mutaciones que causan la enfermedad. Su compañía recibió una versión beta de DeepVariant, y ahora está probando el modelo actual con un número limitado de sus clientes, incluidas firmas farmacéuticas, grandes proveedores de atención médica y compañías de diagnóstico médico.
Para ejecutar DeepVariant de manera efectiva para estos clientes, DNAnexus ha tenido que invertir en GPU de nueva generación para respaldar su plataforma. Lo mismo es cierto para el competidor canadiense, DNAStack, que planea ofrecer dos versiones diferentes de DeepVariant: una afinada a bajo costo y otra afinada para velocidad. La plataforma en la nube de Google ya es compatible con la herramienta, y la compañía está explorando el uso de TPU (unidades de procesamiento de tensores) que conectan cosas como la Búsqueda de Google, Street View y Traducir para acelerar los cálculos genómicos también.
El código de DeepVariant es de código abierto para que cualquiera pueda ejecutarlo, pero hacerlo a escala probablemente requiera el pago de una plataforma de computación en la nube. Y es este costo -computacionalmente y en términos de dólares reales- lo que hace que los investigadores cubran la utilidad de DeepVariant.
«Es un primer paso prometedor, pero actualmente no es escalable para una gran cantidad de muestras porque es demasiado costoso desde el punto de vista computacional», dice Daniel MacArthur, genetista humano de Broad / Harvard que ha construido una de las mayores bibliotecas de ADN humano hasta la fecha. Para proyectos como el suyo, que se ocupan de decenas de miles de genomas, DeepVariant es demasiado costoso. Y, al igual que los modelos estadísticos actuales, solo puede funcionar con las lecturas limitadas producidas por los secuenciadores de hoy.
Aún así, cree que el aprendizaje profundo llegó para quedarse. «Es solo cuestión de encontrar la manera de combinar datos de mejor calidad con mejores algoritmos y, finalmente, convergeremos en algo bastante cercano a lo perfecto», dice MacArthur. Pero incluso entonces, solo será una lista de letras. Al menos en el futuro previsible, todavía necesitaremos humanos con talento para decirnos qué significa todo esto.
