Determinar si una mutació concreta del genoma humà és inofensiva o pot causar una malaltia és un dels problemes centrals de la genòmica mèdica, i cap de les tècniques actuals —ni els assaigs experimentals, que no es poden fer variant per variant, ni els models d'aprenentatge automàtic entrenats només amb seqüències humanes— ho resol de manera prou fiable ni prou ràpida.
Un equip liderat pel professor Yun Song, director del centre de biologia computacional de la Universitat de Califòrnia a Berkeley, amb els coprimers autors Chengzhong Ye i Gonzalo Benegas i col·laboradors del Jackson Laboratory i el Centre Alemany de Recerca del Càncer, ha presentat a Nature el 9 de setembre GPN-Star, un model de llenguatge genòmic que, en lloc d'entrenar-se només amb genomes humans aïllats, aprèn directament d'alineaments de genoma sencer que comparen l'ADN humà amb el d'altres vuit espècies —ratolí, mosca de la fruita, pollastre, el cuc C. elegans i la planta Arabidopsis thaliana, entre altres primats, mamífers i vertebrats— a tres escales evolutives diferents. El model detecta així quines seqüències s'han mantingut pràcticament invariables al llarg de milions d'anys d'evolució, un senyal fiable que allà hi ha alguna cosa funcionalment important, i n'obté prediccions sobre la patogenicitat de variants genètiques que superen les dels mètodes anteriors; els autors destaquen, a més, que els models entrenats a escales evolutives més llargues prediuen millor les variants rares de proteïnes, mentre que els entrenats a escales més curtes van millor amb trets complexos com el risc d'esquizofrènia.
La notícia és rellevant perquè GPN-Star necessita només dies o hores de càlcul amb un grapat de processadors, davant dels prop de 2.000 processadors Nvidia i mesos d'entrenament que ha requerit un model rival com Evo 2, la qual cosa podria democratitzar l'accés a aquest tipus d'anàlisi genòmica per a grups de recerca amb menys recursos, i perquè demostra que incorporar coneixement evolutiu explícit —en lloc de limitar-se a escalar la mida del model— pot ser una via més eficient per entendre el genoma humà.
Els mateixos investigadors recorden que cap laboratori pot verificar experimentalment cada variant possible del genoma, de manera que GPN-Star s'ha d'entendre com una eina per prioritzar quines variants val la pena investigar, no com un diagnòstic definitiu; el treball ha rebut finançament dels Instituts Nacionals de la Salut dels EUA, de la Universitat de Califòrnia i de la Chan Zuckerberg Initiative, i no s'hi detallen encara xifres comparatives exactes de precisió enfront de tots els mètodes rivals.