Переводчик учит язык не по учебнику, а слушая живую речь и сразу видя, что люди делают в ответ на слова. Именно так работает новый метод C3P для чтения бактериальной ДНК. Обычные геномные модели пытаются выучить правила, просто «перечитывая» миллиарды букв генетического кода — и часто путаются. Причина в том, что регуляторные участки ДНК эволюционируют быстро и хаотично, как уличный сленг. C3P же сопоставляет промоторы (участки ДНК, которые запускают считывание гена) с теми белками, что в итоге получаются. Белковые языковые модели уже хорошо понимают «язык» белков — их трёхмерные структуры и функции. Вот этот богатый опыт и становится учителем для ДНК.
После обучения на 88 миллионах пар «промотор — белок» из бактерий модель стала в разы лучше предсказывать, где и как регулируются гены. Но самое интересное — она научилась находить гены-напарники в геноме вообще без подсказок (это называется zero-shot). Обычные модели в такой задаче работают почти наугад, а C3P сразу выдаёт осмысленные группы. Так переводчик, разобравшись в связи слов и действий, без словаря понимает, что «дождь» и «зонт» в разговоре часто идут рядом.
Авторы проверили, как улучшается качество с ростом данных и вычислительных мощностей. Оказалось, что C3P достигает высокой точности при гораздо меньших затратах, чем ведущие геномные модели. Метод можно применять широко, не дожидаясь суперкомпьютеров. Перспектива — расшифровать регуляцию генов у миллионов видов бактерий, просто имея на руках их геномы. Без единого эксперимента в лаборатории.
Бактериальный промотор может состоять всего из нескольких десятков «букв» ДНК, но именно от них зависит, станет ли безобидная кишечная палочка опасным патогеном.
В «Парке Юрского периода» учёные заполняли пробелы в ДНК динозавров лягушачьими генами — C3P мог бы предсказать, как такая «сборка» повлияет на включение генов.