Google DeepMind kündigte am 8. September den AlphaGenome Atlas an, eine Datenbank, die die Auswirkungen jeder möglichen einzelnen Nukleotidvariante im menschlichen Genom vorhersagt – der umfassendste Katalog, wie sich genetische Mutationen auf die Molekularbiologie auswirken, so das Unternehmen. Die Veröffentlichung verwandelt das AlphaGenome-Modell von DeepMind in eine vorberechnete, durchsuchbare Ressource, die klinische Forscher und Biologen abfragen können, ohne eine Codezeile schreiben zu müssen.
Das 98-Prozent-Problem Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Nachrichten.
Das menschliche Genom enthält etwa 3 Milliarden Basenpaare DNA, und Wissenschaftler verstehen nur die 2 Prozent, die für Proteine kodieren, relativ gut. Die restlichen 98 Prozent – ein Großteil davon regulatorischer Natur – sind unklar geblieben. Das AlphaGenome-Modell von DeepMind hat bereits gezeigt, wie einzelne Veränderungen in diesen nicht-kodierenden Regionen molekulare Prozesse wie die Proteinproduktion stören können, aber nach Angaben des Unternehmens blieb das Gesamtbild, wie Varianten die Molekularbiologie im großen Maßstab beeinflussen, unklar.
Eine einzelne Nukleotidvariante ist eine Änderung an genau einem Buchstaben des aus vier Buchstaben bestehenden DNA-Alphabets. Jeder von uns trägt Millionen davon in sich, und die meisten tun überhaupt nichts – aber ein kleiner Bruchteil verändert die Art und Weise, wie Gene ein- und ausgeschaltet werden, wie RNA gespleißt wird oder wie Proteine aufgebaut werden. Das Schwierige daran war nie, diese Varianten zu finden; Billige Sequenzierung hat das schon vor Jahren zur Routine gemacht. Der schwierige Teil ist die Interpretation: Für die überwiegende Mehrheit der möglichen Änderungen einzelner Buchstaben wurde noch nie ein Experiment durchgeführt, sodass Forscher sich auf Computermodelle verlassen mussten, um ihre molekularen Konsequenzen abzuschätzen.
AlphaGenome Atlas ist DeepMinds Versuch, diese Interpretation an einem Ort bereitzustellen. Das Team unter der Leitung von Pushmeet Kohli, VP of Science bei Google DeepMind und Chefwissenschaftler bei Google Cloud, nutzte zusammen mit dem Leiter der Genomik-Initiative Ziga Avsec das AlphaGenome-Modell, um die regulatorischen Auswirkungen aller 9 Milliarden genetischen Veränderungen mit einem Buchstaben – jeder möglichen Einzelnukleotidvariante – vorab zu berechnen und einen Datensatz von etwa 1 Petabyte zu erstellen. Anstatt dass jedes Labor die genommaßstäblichen Inferenzen auf seinem eigenen Cluster erneut durchführt, liegen die Vorhersagen nun als gemeinsamer, abfragbarer Katalog vor.
Eine Punktzahl für die Priorisierung von Varianten
Das Durchforsten von Vorhersagen im Petabyte-Maßstab wäre selbst ein Forschungsprojekt, daher stellt der Atlas den AlphaGenome Variant Impact (AVI)-Score vor. Der einzelne, benutzerfreundliche Score kombiniert Vorhersagen über kodierende und nicht kodierende Regionen hinweg und ermöglicht es Forschern, schnell die vielversprechendsten Varianten zu priorisieren, anstatt für jede einzelne tausende einzelne Datenpunkte durchzuwühlen. Im Rahmen von DeepMind fungiert der Atlas als „Augmentationspartner“ für die wissenschaftliche Gemeinschaft und beschleunigt die Forschung in Bereichen von seltenen genomischen Variationen bis hin zu komplexen Merkmalen.
Wir lösen bereits Fälle seltener Krankheiten
Der Atlas ist keine hypothetische Ressource: Laut DeepMind nutzen Forscher ihn bereits. Am Broad Institute verwendeten Laura Covill und ihr Team den AVI-Score, um Varianten in ungelösten Fällen seltener Krankheiten zu priorisieren. Das Tool hob eine kritische Variante im DNM1-Gen hervor und sagte voraus, dass dadurch eine falsche Spleißstelle entstanden sei – ein Beweis, der dem Team dabei half, den Fall erfolgreich zu lösen. Für Familien, die jahrelang auf eine Diagnose gewartet haben, ist dies der praktische Nutzen der Varianteninterpretation: Sie verwandelt ein mehrdeutiges Sequenzierungsergebnis in eine Antwort.
Die Ressource hat sich auch bei komplexen Merkmalen als nützlich erwiesen, bei denen die Identifizierung seltener nichtkodierender Varianten aufgrund des statistischen Rauschens schwierig ist. Dr. Gareth Hawkes wandte AlphaGenome Atlas auf Daten von mehr als 54.000 britischen Biobank-Teilnehmern an. Indem er Varianten nach ihren vorhergesagten molekularen Auswirkungen gruppierte, deckte er 22 Prozent mehr nicht-kodierende genetische Assoziationen auf als bei der Standardanalyse. Er konzentrierte sich auf das oberste 1 Prozent der wirkungsvollen Varianten und identifizierte 19 genetische Regionen, die mit dem Body-Mass-Index verknüpft sind, und leitete damit die nächste Stufe der gezielten Forschung ein.
Freier Zugang, keine Codierung erforderlich
AlphaGenome Atlas ist ab sofort über ein Webportal verfügbar, das laut DeepMind keine Programmierkenntnisse erfordert – eine bewusste Entscheidung, um den Zugang für klinische Forscher und Biologen zu demokratisieren, die nicht mit großen Rechenpipelines arbeiten. Kohli und Avsec stellen die Veröffentlichung als Teil des anhaltenden Engagements von DeepMind dar, die Genomforschung zu beschleunigen, und schreiben, dass der Atlas „fundierte genomische Erkenntnisse“ liefert, die die biologische Entdeckung im Großen und Ganzen beschleunigen werden.
Mit der Veröffentlichung setzt DeepMind seine Erweiterung der KI-Modelle für die Biowissenschaften fort, wo vorberechnete Ressourcen die Ökonomie der Forschung verändern: Anstatt dass jedes Labor Inferenzen auf Genomebene durchführen muss, werden die Vorhersagen für alle möglichen Varianten einmal berechnet und geteilt. Für Teams für seltene Krankheiten kann der Unterschied anhand gelöster Fälle gemessen werden; für die Genetik komplexer Merkmale in der Anzahl neuer Assoziationen, die aus vorhandenen Biobankdaten hervorgegangen sind.
Es stellt DeepMind auch in indirekten Wettbewerb mit einem sich beschleunigenden Feld. Genominterpretationsmodelle und Varianteneffekt-Prädiktoren haben sich in akademischen Labors und Startups vervielfacht, und der Nutzen jedes einzelnen Katalogs hängt von der Akzeptanz ab. Durch die Bereitstellung eines kostenlosen Portals mit einem einzigen einheitlichen Score geht DeepMind davon aus, dass die Benutzerfreundlichkeit – nicht allein die reine Modellleistung – darüber entscheidet, welche Ressource Teil des Standard-Toolkits für die klinische Forschung wird.
Für KI-Beobachter ist der Atlas ein weiteres Signal dafür, wohin die angewandte KI-Forschung geht – weg von Chat-Schnittstellen und hin zu einer domänenspezifischen Infrastruktur, die Modellvorhersagen direkt in wissenschaftliche Arbeitsabläufe einbettet.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
