AlphaGenome

AlphaGenome é um modelo de aprendizado profundo de última geração desenvolvido pelo Google DeepMind. Ele foi projetado para decifrar o código regulatório funcional do genoma humano. Ao analisar sequências de DNA em grande escala (até 1 milhão de pares de bases) com resolução de base única, o modelo prevê como as variações genéticas afetam mecanismos moleculares e biológicos, como expressão gênica, acessibilidade da cromatina e splicing de RNA.

Este documento aborda como implantar e usar o AlphaGenome, bem como os requisitos de hardware e implantação para usar o modelo.

Requisitos de hardware e implantação

Devido à arquitetura profunda e à janela de contexto de 1 MB do AlphaGenome, o modelo tem requisitos rigorosos de hardware e memória. Esta seção aborda:

• Configurações de VM e GPU compatíveis
• Tipos de máquina e aceleradores compatíveis
• Requisitos de cota

Configurações de VM e GPU compatíveis

O AlphaGenome exige um mínimo de um nó e pode ser implantado em endpoints da Agent Platform usando tipos de máquina específicos equipados com aceleradores NVIDIA A100 ou H100.

Os endpoints da Agent Platform são escalonados de forma integrada. Se for necessária capacidade extra para processar volumes de solicitação maiores, os administradores poderão configurar o escalonamento automático para adicionar nós continuamente conforme necessário. Para mais informações, consulte Escalonar nós de inferência usando o escalonamento automático.

Tipos de máquina e aceleradores compatíveis

Os administradores precisam selecionar entre os seguintes tipos de máquina compatíveis que fornecem a memória de GPU de 80 GB necessária:

• NVIDIA H100 (80 GB): a3-highgpu-1g, a3-highgpu-2g, a3-highgpu-4g, a3-highgpu-8g
• NVIDIA A100 (80 GB): a2-ultragpu-1g, a2-ultragpu-2g, a2-ultragpu-4g, a2-ultragpu-8g
• NVIDIA H100 Mega (80 GB): a3-megagpu-8g

Para especificações detalhadas, consulte Configurar recursos de computação para inferência.

Requisitos de cota

Antes da implantação, os administradores precisam garantir que o Cloud de Confiance by S3NS projeto tenha uma cota de serviço de GPU adequada atribuída na região de destino:

• aiplatform.googleapis.com/custom_model_serving_nvidia_h100_gpus
• aiplatform.googleapis.com/custom_model_serving_nvidia_a100_gpus
• aiplatform.googleapis.com/custom_model_serving_nvidia_h100_mega_gpus
• compute.googleapis.com/gpus_per_gpu_family

Implantar o AlphaGenome

O AlphaGenome está disponível como um modelo autoimplantado do Model Garden. Para instruções detalhadas sobre o provisionamento da infraestrutura de endpoint e a implantação do modelo em um Cloud de Confiance by S3NS projeto, consulte Implantar modelos abertos do Model Garden.

Usar o AlphaGenome

Os usuários podem interagir com o endpoint do AlphaGenome implantado de maneira programática usando o SDK do Python ou a API REST.

Para conferir a Referência da API completa, as definições de parâmetros e os esquemas detalhados, consulte a documentação oficial do AlphaGenome.

Pré-requisitos e autenticação

O acesso ao endpoint implantado é gerenciado usando Cloud de Confiance by S3NS o gerenciamento de identidade e acesso. Verifique se o ambiente de execução (como um terminal local, uma VM ou o Colab) está autenticado com credenciais (uma conta de serviço ou credenciais de usuário final) que tenham o papel de usuário da Agent Platform (roles/aiplatform.user).

Uso

# Download the whl file using - 
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

# Install the whl file
pip install alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http

# Create the HTTP client pointing to the Agent Platform endpoint.
# The `service_account` parameter is optional and only required if you are 
# choosing to authenticate via service account impersonation.
dna_model = dna_client_http.create_http_client(
    vertex_ai_url=vertex_ai_url,
    # service_account=service_account  # Uncomment to use service account impersonation
)

# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')

output = dna_model.predict_sequence(
    sequence=padded_sequence,
    requested_outputs=[
        dna_client.OutputType.CAGE,   # Transcription Start Sites
        dna_client.OutputType.DNASE,  # Chromatin Accessibility
    ],
    ontology_terms=[
        'UBERON:0002048',             # Lung tissue ontology term
    ]
)

# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata

from alphagenome.data.genome import Interval

# Define a genomic interval and resize it to the 1Mb context window
interval = Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
    name='CYP2B6'
).resize(dna_client.SEQUENCE_LENGTH_1MB)

output = dna_model.predict_interval(
    interval=interval,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114']  # Right liver lobe
)

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the genetic variant
variant = genome.Variant(
    chromosome='chr22',
    position=36201698,
    reference_bases='A',
    alternate_bases='C',
)

# Select the variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']

# Execute the scoring
variant_scores = dna_model.score_variant(
    interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
    variant=variant,
    variant_scorers=[variant_scorer],
    fix_negative_strand=True
)

# Output is returned as an AnnData object containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)

# Set your base endpoint URL
export ENDPOINT_URL="https://<your-endpoint-url>"

# (Optional) If you choose to impersonate a service account, set this variable
# export SERVICE_ACCOUNT="your-service-account-email@your-project.iam.gserviceaccount.com"

# Generate an OAuth2 access token using your current credentials
# If using service account impersonation, append: --impersonate-service-account=$SERVICE_ACCOUNT
export TOKEN=$(gcloud auth print-access-token)

curl -X POST \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/alphagenome-003",
    "instances": [
      {
        "request_type": "predict_interval",
        "data": {
          "interval": {
            "chromosome": "chr19",
            "start": "40480552",
            "end": "41529128",
            "strand": "STRAND_UNSTRANDED"
          },
          "organism": "ORGANISM_HOMO_SAPIENS",
          "requestedOutputs": ["OUTPUT_TYPE_ATAC"]
        }
      }
    ]
  }' \
  ${ENDPOINT_URL}:streamRawPredict

Preços

O AlphaGenome exige uma assinatura paga. Para informações sobre os preços do AlphaGenome, entre em contato com um Cloud de Confiance by S3NS especialista em vendas ou trabalhe com a equipe da sua Cloud de Confiance by S3NS conta.

Você é responsável pelo custo da infraestrutura usada para hospedar o modelo, incluindo o endpoint da Agent Platform e as instâncias de GPU em que o modelo está implantado. Para mais informações, consulte Preços da Agent Platform.

Limitações

O AlphaGenome tem as seguintes limitações:

• Uso apenas para pesquisa: o AlphaGenome é uma ferramenta de pesquisa e não foi criado nem aprovado para uso em diagnósticos clínicos.
• Horizonte de contexto de 1 MB: as interações genômicas que ocorrem em distâncias maiores que 1 MB não podem ser capturadas em uma única consulta de previsão.
• Sem suporte para ajuste detalhado: o ajuste detalhado do modelo de base do AlphaGenome em conjuntos de dados de treinamento particulares não é compatível. O modelo está disponível apenas para inferência.

Diretório de referência científica

Para oferecer suporte às comunidades científicas e de desenvolvedores, a tabela a seguir lista materiais de referência, literatura e recursos principais para o AlphaGenome:

Suporte e feedback

Você pode receber suporte para o AlphaGenome das seguintes maneiras:

• Suporte para ciência genômica e saída de modelo: para discussões sobre biologia, previsões de modelo, interpretabilidade ou para interagir com o Google DeepMind, acesse o fórum público da comunidade AlphaGenome e EDM em alphagenomecommunity.com.
• Suporte para infraestrutura e plataforma: para perguntas sobre Cloud de Confiance by S3NS cotas, aceleradores, problemas com a biblioteca de cliente, faturamento etc., entre em contato com a equipe da sua conta ou abra um tíquete com a equipe de suporte padrão. Cloud de Confiance by S3NS