Δεν αρκεί να γνωρίζουμε ποια γονίδια υπάρχουν μέσα στο ανθρώπινο DNA. Το πραγματικά δύσκολο ερώτημα είναι ποιος μηχανισμός αποφασίζει πότε ένα γονίδιο θα ενεργοποιηθεί, σε ποιο κύτταρο και σε ποιο βαθμό. Μια νέα εργασία από το University of California San Diego δείχνει ότι η τεχνητή νοημοσύνη αρχίζει πλέον να διαβάζει ένα μέρος αυτού του κρυμμένου συστήματος ελέγχου.
Μισό εκατομμύριο αλληλουχίες DNA
Η ομάδα του καθηγητή James T. Kadonaga επικεντρώθηκε στον λεγόμενο initiator, ένα στοιχείο του DNA που βρίσκεται στην περιοχή όπου ξεκινά η μετατροπή της γενετικής πληροφορίας σε λειτουργικό προϊόν. Οι ερευνητές μέτρησαν τη δραστηριότητα περίπου 500.000 διαφορετικών εκδοχών της συγκεκριμένης περιοχής και χρησιμοποίησαν τα δεδομένα για να εκπαιδεύσουν μοντέλο machine learning.
Το αποτέλεσμα ήταν ότι το σύστημα μπόρεσε να αναγνωρίσει το χαρακτηριστικό μοτίβο του initiator και, όταν το αναζήτησε στα ανθρώπινα γονίδια, το εντόπισε περίπου στο 60% αυτών. Δεν πρόκειται για κάποιο μυστηριώδες κουμπί που ενεργοποιεί ολόκληρο το DNA, αλλά για ένα συγκεκριμένο και σημαντικό κομμάτι του πολύ μεγαλύτερου μηχανισμού που ρυθμίζει την έκφραση των γονιδίων.
Ο πραγματικός κώδικας πίσω από τον κώδικα
Το ανθρώπινο γονιδίωμα περιέχει περίπου έξι δισεκατομμύρια βάσεις DNA σε κάθε κύτταρο. Μέσα σε αυτή την τεράστια ακολουθία δεν βρίσκονται μόνο οι πληροφορίες για τις πρωτεΐνες. Υπάρχουν επίσης ρυθμιστικές οδηγίες που καθορίζουν πότε, πού και πόσο έντονα πρέπει να λειτουργήσει ένα γονίδιο. Ο Kadonaga περιγράφει ουσιαστικά έναν «κώδικα γονιδιακής έκφρασης» που ακόμη δεν έχουμε αποκωδικοποιήσει πλήρως.
Αν κάποτε δημιουργηθεί ένα AI μοντέλο ικανό να διαβάζει ολόκληρο αυτό το σύστημα, οι επιστήμονες θα μπορούσαν θεωρητικά να προβλέπουν πώς διαφορετικές γενετικές παραλλαγές αλλάζουν τη δραστηριότητα των γονιδίων σε διαφορετικούς ανθρώπους. Αυτό θα είχε τεράστια σημασία για την κατανόηση μεταλλάξεων, ασθενειών και εξατομικευμένων βιολογικών διαφορών.
Από την πρόβλεψη των μεταλλάξεων στους συνθετικούς διακόπτες
Η νέα τεχνική μπορεί να βοηθήσει στην πρόβλεψη του τρόπου με τον οποίο μεταλλάξεις στην περιοχή του initiator επηρεάζουν την ενεργοποίηση ενός γονιδίου. Η λανθασμένη γονιδιακή έκφραση μπορεί να συνδέεται με σοβαρές δυσλειτουργίες και ασθένειες, συμπεριλαμβανομένου του καρκίνου, γι’ αυτό η δυνατότητα πρόβλεψης τέτοιων αλλαγών έχει άμεσο επιστημονικό ενδιαφέρον.
Υπάρχει όμως και μια δεύτερη διάσταση. Τα ίδια δεδομένα μπορούν να συμβάλουν στον σχεδιασμό συνθετικών promoters, δηλαδή τεχνητών αλληλουχιών που έχουν σχεδιαστεί ώστε να ενεργοποιούν ή να απενεργοποιούν γονίδια με συγκεκριμένο τρόπο. Εδώ αρχίζει ένα πεδίο που θα χρειαστεί όχι μόνο επιστημονική πρόοδο αλλά και σοβαρή συζήτηση για τα όρια και τις εφαρμογές του.
Η AI αρχίζει να διαβάζει τη «γραμματική» της ζωής
Το πιο ενδιαφέρον ίσως δεν είναι ότι λύθηκε ένα συγκεκριμένο βιολογικό πρόβλημα. Είναι η μέθοδος: εργαστηριακά πειράματα παράγουν τεράστιο όγκο δεδομένων και η AI αναζητά μέσα τους μοτίβα που ο άνθρωπος δυσκολεύεται να αναγνωρίσει. Αν η ίδια προσέγγιση επεκταθεί σε περισσότερα ρυθμιστικά στοιχεία, μπορεί σταδιακά να σχηματιστεί ένας χάρτης της γραμματικής που ελέγχει το ανθρώπινο γονιδίωμα.
Και τότε το ερώτημα γίνεται πολύ μεγαλύτερο από μια ακόμη εφαρμογή τεχνητής νοημοσύνης: τι θα συμβεί όταν δεν θα μπορούμε απλώς να διαβάζουμε τα γονίδια, αλλά να προβλέπουμε με ακρίβεια τον τρόπο με τον οποίο το ίδιο το κύτταρο αποφασίζει ποια από αυτά θα χρησιμοποιήσει;
Πηγές
University of California San Diego / ScienceDaily, 23 Αυγούστου 2026. Torrey E. Rhyne-Carrigg et al., Machine learning analysis of the human initiator region reveals key features of different types of core promoters, Genes & Development, 2026.
Κατοχικά Νέα
ΔΙΕΘΝΗ
Tech
Tech
Ελληνικά
Αφήστε μια απάντηση