Dlaczego AI nie radzi sobie jeszcze z ludzkim genomem

Oryginalny tekst ukazał się w Quanta Magazine i stawia pytanie, które od dekad dręczy biologów molekularnych: czy sztuczna inteligencja jest w stanie rozszyfrować genom człowieka, skoro nie potrafią tego nawet najlepsi specjaliści od regulacji genów? Odpowiedź, jaką sugerują najnowsze badania, brzmi: jeszcze nie – a problem leży głębiej, niż się wydaje.

Od czasu odkrycia struktury DNA w latach 50. XX wieku biolodzy nazywali je „sekretem życia”, traktując genom jako swego rodzaju plan budowy, kod źródłowy lub komputer. Jednak im dokładniej naukowcy przyglądają się ludzkiemu genomowi, tym bardziej przypomina on skomplikowaną łamigłówkę niż prosty skrypt – a próby zlecenia jej rozwiązania modelom AI napotykają fundamentalne trudności.

Kluczowe wnioski

• Projekt poznania ludzkiego genomu (1990–2003) ujawnił, że geny – sekwencje kodujące białka – stanowią zaledwie około 2 procent całego DNA człowieka.
• Prawdziwym wyzwaniem nie jest to, co robią poszczególne geny, lecz jak są regulowane – włączane i wyłączane w zależności od typu komórki i kontekstu.
• Genomowe „modele podstawowe” AI, takie jak Evo 2, Genos czy AlphaGenome od Google DeepMind, trenowane są na ogromnych zbiorach danych genomowych, by przewidywać wpływ zmian w sekwencji DNA na cechy organizmu.
• Modele te działają jak czarne skrzynki – pomijają mechanizmy regulacji genów i opierają się na korelacjach wyciągniętych z danych treningowych, zamiast na rzeczywistym zrozumieniu procesów biologicznych.
• Biolog Karen Adelman z Harvard Medical School podkreśla, że genom nie przypomina projektu zaprojektowanego od podstaw – to produkt około 4 miliardów lat ewolucji, pełen złożonych, nakładających się systemów kontroli.

Dlaczego geny to nie cała historia

Tradycyjny obraz genetyki zakłada, że niewielka część DNA koduje instrukcje do budowy białek – cząsteczek odpowiedzialnych za chemię komórki. Każda taka instrukcja mieści się w genie; człowiek ma ich około 20 000, a ich długość waha się od kilkudziesięciu do niemal 3 milionów „liter” DNA, czyli nukleotydów.

Produkcja białka z genu przebiega dwuetapowo. Najpierw enzym zwany polimerazą odczytuje DNA litera po literze i tworzy kopię kodu w postaci cząsteczki mRNA – to proces transkrypcji. Następnie rybosom odczytuje mRNA i buduje białko w procesie translacji. Ten schemat wciąż jest zasadniczo poprawny, ale – jak mówi Adelman – „geny prawdopodobnie nie są najciekawszą częścią genomu”.

Znacznie istotniejsze okazuje się to, jak regulowane są geny, z których wiele dzielimy z prostszymi organizmami. To, jakich białek potrzebuje komórka, zmienia się w czasie i zależy od jej typu – mięśniowego, mózgowego, skórnego i tak dalej. A decyduje o tym fragment genomu, który nie koduje żadnych białek – tzw. DNA niekodujące.

Biolodzy wiedzą o regulacji genów i roli DNA niekodującego od lat 60. XX wieku, ale przez długi czas wiedza ta pochodziła głównie z badań prostych organizmów, jak bakterie, gdzie zasady regulacji są stosunkowo klarowne. Stopniowo stawało się jasne, że u złożonych organizmów eukariotycznych, takich jak człowiek, regulacja genów jest znacznie bardziej skomplikowana i angażuje nakładające się na siebie systemy nadzoru.

Transkrypcja jak czarna skrzynka

Transkrypcję uruchamiają białka zwane czynnikami transkrypcyjnymi – pełnią one funkcję „kierowników operacyjnych” regulacji genów. Przyczepiają się do fragmentów DNA, zwykle w pobliżu docelowego genu, i rekrutują polimerazę do stworzenia kopii mRNA. U bakterii czynniki transkrypcyjne działają jak klucze pasujące do zamków unikalnych miejsc wiązania na DNA. U złożonych organizmów logika ta jest znacznie trudniejsza do rozszyfrowania.

Po pierwsze, ludzkie czynniki transkrypcyjne nie wykazują silnych preferencji wobec konkretnych miejsc wiązania na DNA. Po drugie, zazwyczaj działają w parach lub grupach. Co więcej, ten sam czynnik transkrypcyjny może mieć różne – wręcz przeciwne – efekty w zależności od kontekstu: aktywować transkrypcję genu w jednym typie komórki, a tłumić ją w innym, zależnie od tego, jakie inne czynniki transkrypcyjne są obecne w pobliżu.

U bakterii regulacja genów opiera się, jak zauważa Adelman, na logice typu „OR” – konkretny sygnał włącza lub wyłącza gen: to albo tamto. U ludzi mechanizmy te są znacznie bardziej zagmatwane, co stanowi właśnie kluczową przeszkodę dla modeli AI próbujących przewidywać skutki zmian w DNA na podstawie samych korelacji statystycznych, bez uchwycenia rzeczywistej logiki regulacyjnej.

Co to oznacza dla badań nad AI i genomiką

Modele takie jak AlphaGenome od Google DeepMind mogą być użyteczne praktycznie – pozwalają szybko generować hipotezy badawcze i przewidywać konsekwencje mutacji na dużą skalę. Jednak z perspektywy biologów, którzy dążą do prawdziwego zrozumienia mechanizmów życia, czarna skrzynka algorytmu nigdy nie zastąpi wiedzy o tym, dlaczego genom działa tak, a nie inaczej. Istotniejsze jest pytanie, czy genom w ogóle poddaje się prostemu modelowi wejścia-wyjścia, na którym opierają się te systemy AI – a wszystko wskazuje na to, że ewolucyjnie ukształtowana złożoność regulacji genów może wykraczać poza ramy, jakie zakładają obecne algorytmy.

Artykuł Quanta Magazine, zaadaptowany tutaj dla polskich czytelników, pokazuje więc wyraźne napięcie między ambicjami sztucznej inteligencji w biologii a rzeczywistą, ewolucyjnie uwarstwioną złożonością ludzkiego genomu – zagadką, która wciąż wymyka się zarówno ludzkiemu umysłowi, jak i najpotężniejszym dziś modelom AI.