Read in English: AlphaGenome Atlas Explained: What Its 9 Billion Variant Predictions Mean
8 ستمبر 2026 کو Google DeepMind نے AlphaGenome Atlas متعارف کرایا، جو انسانی جینوم میں DNA تبدیلیوں کے پہلے سے تیار کردہ کمپیوٹیشنل نتائج کا ایک بہت بڑا مجموعہ ہے۔ اس کا نمایاں عدد—9 ارب single-nucleotide substitutions—آسانی سے غلط سمجھا جا سکتا ہے۔ اس کا مطلب یہ نہیں کہ انسانوں میں 9 ارب ویریئنٹس دیکھے جا چکے ہیں، اور نہ ہی یہ 9 ارب بیماری پیدا کرنے والی تبدیلیوں کی فہرست ہے۔
انسانی reference genome میں تقریباً تین ارب DNA حروف ہوتے ہیں۔ ہر مقام پر موجود حرف کو باقی تین ممکنہ حروف میں بدلا جا سکتا ہے۔ یوں تقریباً 9 ارب ممکنہ واحد حرفی تبدیلیاں بنتی ہیں۔ AlphaGenome Atlas یہ پیش گوئی کرنے کی کوشش کرتا ہے کہ ان تبدیلیوں سے gene regulation، chromatin accessibility، RNA splicing اور دوسرے مالیکیولر عمل کس طرح متاثر ہو سکتے ہیں۔
یہ وسیلہ خصوصاً جینوم کے noncoding حصوں میں ویریئنٹس کی ترجیح بندی کو تیز کر سکتا ہے۔ لیکن اس کی پیش گوئی تشخیص نہیں ہے اور یہ population frequency، phenotype matching، segregation، functional experiments یا ماہر کی تشریح کا متبادل نہیں۔
AlphaGenome اور AlphaGenome Atlas میں فرق
بنیادی AlphaGenome ماڈل کی تفصیل ایک peer-reviewed Nature مقالے میں شائع ہوئی۔ یہ تقریباً دس لاکھ DNA bases تک کا sequence context لے کر ہزاروں functional genomic tracks کی پیش گوئی کرتا ہے۔ ان میں gene expression، transcription initiation، chromatin accessibility، histone modifications، transcription-factor binding، تین بُعدی chromatin contacts اور RNA splicing شامل ہیں۔
شائع شدہ جانچ میں AlphaGenome نے 26 میں سے 25 variant-effect tasks پر مضبوط بیرونی ماڈلز کے برابر یا ان سے بہتر کارکردگی دکھائی۔ یہ نتیجہ آزمائے گئے benchmarks پر وسیع predictive performance کا ثبوت ہے؛ اس سے یہ ثابت نہیں ہوتا کہ ہر حیاتیاتی یا clinical صورت میں ہر پیش گوئی درست ہو گی۔
AlphaGenome Atlas اسی ماڈل سے تیار شدہ precomputed layer ہے۔ DeepMind کے مطابق تقریباً ایک petabyte کے اس dataset میں ہر ممکن single-nucleotide substitution کے ساتھ قریب 100 ملین مشاہدہ شدہ چھوٹے insertions اور deletions کی پیش گوئیاں بھی شامل ہیں۔ اس سے ہر محقق کو اربوں model queries خود چلانے کی ضرورت کم ہو جاتی ہے۔
اہم بات یہ ہے کہ بنیادی AlphaGenome model کا مقالہ peer-reviewed ہے، جبکہ نئے Atlas اور اس کے AVI scoring framework کی تفصیل اجرا کے وقت technical report/preprint میں تھی۔ لہٰذا نئے نتائج کو ابھی مزید آزادانہ جانچ اور توثیق درکار ہے۔
AVI اسکور کیا ہے؟
AlphaGenome Variant Impact (AVI) score مختلف ممکنہ مالیکیولر اثرات کو ایک عدد میں سمیٹ کر ویریئنٹس کی ranking میں مدد دیتا ہے۔ متعلقہ صورتوں میں یہ AlphaGenome کی معلومات کو AlphaMissense predictions کے ساتھ ملاتا ہے اور feature attribution بھی فراہم کرتا ہے، یعنی یہ دکھانے کی کوشش کرتا ہے کہ کن molecular outputs نے اسکور میں حصہ ڈالا۔
ایک عدد لاکھوں ویریئنٹس چھانٹنے میں آسانی دیتا ہے، مگر حیاتیاتی باریکی چھپا بھی سکتا ہے۔ اس لیے صرف یہ پوچھنا کافی نہیں کہ اسکور زیادہ ہے یا کم۔ بہتر سوال یہ ہیں:
- پیش گوئی کس tissue یا cell type میں مضبوط ہے؟
- ممکنہ اثر splicing، expression، chromatin یا کسی اور feature پر ہے؟
- کیا یہ mechanism زیرِ مطالعہ gene اور phenotype کے لحاظ سے معقول ہے؟
- کیا نتیجہ population، clinical اور experimental evidence سے مطابقت رکھتا ہے؟
اس لیے زیادہ AVI اسکور ترجیح بندی کا اشارہ ہے، pathogenicity classification نہیں۔ اسی طرح کم اسکور کسی ویریئنٹ کو benign ثابت نہیں کرتا۔
Atlas کہاں مدد دے سکتا ہے؟
Protein-coding ویریئنٹس کی تشریح نسبتاً آسان ہونے کی وجہ سے معمول کے تجزیے میں انہیں زیادہ توجہ ملتی ہے۔ مگر انسانی جینوم کا بڑا حصہ noncoding ہے، اور بہت سے disease- یا trait-associated signals ایسے regulatory علاقوں میں ہوتے ہیں جہاں تشریح مشکل ہے۔
AlphaGenome Atlas محققین کو درج ذیل کاموں میں مدد دے سکتا ہے:
- noncoding ویریئنٹس کے بڑے مجموعے کو تفصیلی جائزے سے پہلے rank کرنا؛
- متعلقہ tissues اور cell types میں ممکنہ اثرات دیکھنا؛
- معلوم کرنا کہ ویریئنٹ splicing، transcription یا chromatin پر اثر ڈال سکتا ہے یا نہیں؛
- ایک gene کے قریب موجود مختلف ویریئنٹس کے ممکنہ mechanisms کا موازنہ کرنا؛ اور
- functional validation کے لیے قابلِ آزمائش مفروضے بنانا۔
Atlas ایک عملی رکاوٹ بھی کم کرتا ہے: محقق ہر prediction نئے سرے سے بنانے کے بجائے پہلے سے تیار شدہ نتائج query کر سکتا ہے۔ سرکاری API دستاویزات کے مطابق قابلِ اطلاق شرائط کے تحت noncommercial استعمال کے لیے رسائی فراہم کی گئی ہے۔
ذمہ دارانہ variant-prioritization workflow
1. ویریئنٹ کی درست شناخت کی تصدیق کریں
Genome assembly، chromosome، reference allele اور alternate allele کی جانچ کریں۔ ضرورت کے مطابق indels normalize کریں اور مختلف databases کے نتائج ملاتے وقت transcript identifiers کی تصدیق کریں۔ غلط assembly یا allele پر درست prediction بھی آپ کے سوال کا غلط جواب ہے۔
2. data quality اور population frequency دیکھیں
Read-level quality، genotype quality، coverage اور mapping artefacts کا جائزہ لیں۔ اس کے بعد موزوں population resource میں allele frequency دیکھیں۔ Model score کو بنیادی sequencing یا annotation مسئلے سے توجہ نہیں ہٹانی چاہیے۔
3. summary score کے ساتھ تفصیلی outputs بھی دیکھیں
AVI score کو ranking کے لیے استعمال کریں، مگر اس کے component predictions بھی دیکھیں۔ واضح کریں کہ ممکنہ اثر splicing، expression، chromatin accessibility، transcription-factor binding یا کسی دوسرے molecular feature پر ہے۔
4. حیاتیاتی طور پر متعلقہ context منتخب کریں
Predicted effects tissue اور cell type کے لحاظ سے بدل سکتے ہیں۔ Gene، phenotype اور تحقیقی سوال کے مطابق متعلقہ context کو ترجیح دیں۔ ساتھ یہ بھی تسلیم کریں کہ کوئی atlas ہر developmental stage، disease state یا cell condition کا احاطہ نہیں کرتا۔
5. آزاد شواہد کو یکجا کریں
Prediction کو allele frequency، phenotype–gene validity، inheritance، segregation، موزوں ClinVar assertions، splice evidence، regulatory annotations، conservation اور شائع شدہ functional studies کے ساتھ دیکھیں۔ DNA sequence اور gene regulation کے بنیادی تعارف کے لیے How Human DNA Works ملاحظہ کریں۔
6. AI اسکور کو براہِ راست ACMG classification نہ بنائیں
Computational prediction معاون ثبوت ہے، اکیلی تشخیص نہیں۔ اگر آپ Sci Chores ACMG Workbench استعمال کریں تو ہر criterion کے لیے اصل evidence، اس کی حدود اور اپنی reasoning درج کریں۔ Computational evidence کا وزن موجودہ professional guidance کے مطابق ہونا چاہیے؛ صرف زیادہ model score pathogenicity ثابت نہیں کرتا۔
7. آزاد توثیق کا منصوبہ بنائیں
اہم مفروضوں کو متوقع mechanism کے مطابق کسی آزاد طریقے سے آزمانا چاہیے۔ مثال کے طور پر مشتبہ splice effect کے لیے RNA analysis، regulatory effect کے لیے reporter یا perturbation assays، اور اخلاقی و clinical طور پر مناسب صورت میں family studies استعمال کیے جا سکتے ہیں۔
اہم حدود
- Training اور benchmark data میں ascertainment اور representation biases ہو سکتے ہیں۔
- Predictions دستیاب sequence context اور biological tracks پر منحصر ہیں۔
- متعلقہ tissue، developmental stage یا disease condition موجود نہ ہو سکتی ہے۔
- AVI کے لیے کوئی عالمگیر clinical threshold قائم نہیں ہوا۔
- زیادہ اسکور pathogenicity اور کم اسکور benignity ثابت نہیں کرتا۔
- Atlas/AVI کی نئی analyses technical report/preprint کے طور پر جاری ہوئیں اور آزاد replication کی محتاج ہیں۔
- رسائی سرکاری دستاویزات میں بیان کردہ شرائط، بشمول noncommercial-use provisions، کے تابع ہے۔
- DeepMind کے مطابق AlphaGenome کو clinical استعمال کے لیے validate یا approve نہیں کیا گیا۔
خلاصہ
AlphaGenome Atlas ایک مہنگے computational سوال کو searchable resource میں بدلتا ہے: کسی امیدوار DNA تبدیلی کے لیے طاقتور sequence model مختلف حیاتیاتی contexts میں کن molecular effects کی پیش گوئی کرتا ہے؟ اس سے ایک طویل variant list کو مختصر اور mechanism-based مفروضوں میں تبدیل کرنے میں مدد مل سکتی ہے۔
لیکن درست تشریح لازمی ہے۔ Atlas score فیصلہ نہیں بلکہ نقشے پر ایک اشارہ ہے۔ مضبوط نتیجہ تب ہی نکلے گا جب model predictions کو اچھی sequencing quality، population اور phenotype evidence، تسلیم شدہ standards اور experimental validation کے ساتھ ملایا جائے۔
تحقیقی و تعلیمی وضاحت: یہ مضمون ایک تحقیقی وسیلے کی وضاحت ہے، طبی مشورہ نہیں۔ AlphaGenome predictions یا Sci Chores tools کو اکیلے تشخیص، علاج، genetic counselling یا کسی فرد سے متعلق clinical فیصلے کے لیے استعمال نہ کریں۔
حوالہ جات
- Google DeepMind. AlphaGenome Atlas announcement. 8 September 2026.
- Avsec Ž, et al. AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model. Nature. 2026;649:1206–1218.
- Google DeepMind. AlphaGenome API documentation and repository.
- Nature News. AI atlas maps the effects of 9 billion DNA mutations. 9 September 2026.
- Google DeepMind. AlphaGenome Atlas technical report. Preprint/technical report, 2026.
