Google DeepMind hat AlphaGenome 2 veröffentlicht, ein neues KI-Modell für die Genomforschung, das vorhersagt, wie sich DNA-Varianten auf bestimmte menschliche Zelltypen auswirken – und laut der Berichterstattung von The Decoder über die Ankündigung des Unternehmens fast doppelt so viele relevante Genveränderungen findet wie sein Vorgänger.
Die Veröffentlichung befasst sich mit einem hartnäckigen Problem der Genomik: Jede Zelle im menschlichen Körper trägt den gleichen DNA-Bauplan, aber eine Herzmuskelzelle liest diese DNA anders als eine Immunzelle. Die Vorhersage dieser zellspezifischen Unterschiede – und die Bestimmung, welche der Millionen möglichen DNA-Buchstabenänderungen tatsächlich Krankheiten verursachen – ist nach wie vor eine der größten ungelösten Herausforderungen auf diesem Gebiet. Die Ankündigung von Google DeepMind, über die am Donnerstag viel berichtet wurde, positioniert AlphaGenome 2 als einen direkten Angriff auf dieses Problem, und Sundar Pichai betonte in der von Benzinga berichteten Berichterstattung über die Markteinführung, dass „jede Zelle in unserem Körper den gleichen DNA-Bauplan teilt“.
Von Massenvorhersagen zur Zelltyp-Präzision
Das ursprüngliche AlphaGenome nahm eine DNA-Sequenz mit einer Länge von einer Million Buchstaben und sagte ihre Eigenschaften in Tausenden von Experimenten voraus, die viele Gewebe gleichzeitig umfassten. Laut Google DeepMind verteilte dieser parallele Ansatz die Kapazität des Modells zu sehr, was es schwierig machte, subtile Unterschiede zwischen eng verwandten Zelltypen zu erfassen.
AlphaGenome 2 funktioniert anders. Es handelt sich um ein bedingtes Modell: Neben der DNA-Sequenz nimmt es einen bestimmten biologischen Zustand als zusätzliche Eingabe und berechnet die Auswirkungen für diesen einen Zelltyp. Das System wurde auf mehr als 107 Millionen einzelne Zellprofile aus 68 Geweben bei Menschen und Mäusen trainiert.
Das Modell geht über die Vorhersage hinaus, wie stark ein Gen exprimiert wird. Es berechnet auch, wie die DNA physisch im Zellkern verpackt ist – und zeigt, welche Abschnitte des Genoms zugänglich sind – und sagt nun die DNA-Methylierung voraus, die chemischen Markierungen, die als molekulare Schalter fungieren, um Gene abzuschalten oder zu aktivieren.
Benchmark-Ergebnisse: Ein großer Sprung bei der Erkennung kausaler Varianten
Im TenK10K-Benchmark-Datensatz, der 28 primäre Immunzelltypen abdeckt, identifizierte AlphaGenome 2 etwa 30 Prozent der ursächlichen Varianten und sagte in 43 Prozent der Fälle korrekt voraus, ob eine Variante ein Gen hoch- oder herunterreguliert. Laut den von The Decoder gemeldeten Zahlen von Google DeepMind schaffte eine fein abgestimmte Version des ursprünglichen AlphaGenome bei denselben Aufgaben nur 16 Prozent und 23 Prozent.
Diese Verbesserung ist wichtig, da genomweite Assoziationsstudien (GWAS) Krankheitssignale nur grob in breiten Abschnitten der DNA lokalisieren können. Eine bessere Kausalvariantenvorhersage verrät Forschern, welche der vielen Varianten in einer zugehörigen Region tatsächlich eine experimentelle Weiterverfolgung wert sind – der Unterschied zwischen einem Vorsprung und einer Sackgasse.
Das Modell kann auch auf fehlende Daten aus einer einzelnen Messung schließen. Wenn Forscher nur die Genaktivität einer Zelle messen, liefert AlphaGenome 2 Vorhersagen für weitere Eigenschaften, etwa wie dicht bestimmte DNA-Abschnitte verpackt sind. Dies hilft Laboren bei der Entscheidung, welche Nasslaborexperimente es wert sind, als nächstes durchgeführt zu werden, und ein wichtiger architektonischer Vorteil ist die Anpassungsfähigkeit: Forscher können Genaktivitätsdaten von nur wenigen Dutzend Zellen einspeisen, und das Modell berechnet Effekte für bisher nicht sichtbare Zellzustände – laut DeepMind oft besser als spezialisierte Modelle, die direkt auf diese Daten trainiert wurden.
Krankheitsmechanismen rechnerisch reproduziert
Zwei demonstrierte Fälle zeigen, was das Modell leisten kann, ohne einen Labortisch zu berühren. Rein rechnerisch reproduzierte AlphaGenome 2 einen zuvor in einer Studie identifizierten Mechanismus einer entzündlichen Darmerkrankung: Es isolierte die genaue DNA-Variante in einem regulatorischen Schalter weit entfernt von dem Gen, das ETS2 in Darmmakrophagen selektiv überaktiviert, während andere Zelltypen und Gene weitgehend unberührt blieben.
In einem separaten Test, der auf Daten aus einer COVID-19-mRNA-Impfstoffstudie angewendet wurde, unterschied das Modell zuverlässig durch den Impfstoff aktivierte T-Zellen von ruhenden und zeigte, dass eine Genvariante, die mit schweren COVID-19-Fällen in Verbindung gebracht wird, die Zellaktivität hauptsächlich im aktivierten Zustand stört – ein Effekt, der in ruhenden Zellen unsichtbar geblieben wäre.
Verfügbarkeit und was als nächstes kommt
AlphaGenome 2 ist ab sofort für nichtkommerzielle Forschung über eine API verfügbar, während kommerzielle Benutzer über eine geschlossene Vorschau Zugriff erhalten. Google DeepMind weist ausdrücklich darauf hin, dass das System nicht für die klinische Diagnostik zugelassen ist – es handelt sich um ein Forschungsinstrument und nicht um ein medizinisches Gerät.
DeepMind hat bereits Vorhersagen für Hunderte von Zell- und Gewebezuständen vorab berechnet, teilweise um die KI-gesteuerte Medikamentenentwicklung zu unterstützen, und das Unternehmen plant, spezielle AlphaGenome 2-Funktionen auf seiner Agenten-Entwicklungsplattform Google Antigravity einzuführen, wo das Modell mit Tools wie Gemini 4 für automatisierte Forschungsabläufe kombiniert werden soll.
Die Veröffentlichung landet in einem sich schnell entwickelnden Bereich der KI für die Biologie. DeepMinds eigene AlphaFold-Linie setzt die Strukturbiologie zurück, und Konkurrenten wetteifern darum, große Modelle auf die Arzneimittelforschung anzuwenden. Was AlphaGenome 2 auszeichnet, ist die Auflösung: Durch die Konditionierung auf den Zelltyp wird die Varianteninterpretation von Durchschnittswerten auf Bevölkerungsebene auf den spezifischen zellulären Kontext verschoben, in dem die Krankheit tatsächlich auftritt. Wenn die Benchmark-Gewinne auch bei unabhängiger Anwendung bestehen bleiben, könnte das Modell den Weg von der genetischen Assoziation zum mechanistischen Verständnis verkürzen – dem teuersten Schritt in der modernen Arzneimittelentwicklung.
Der KI einen Schritt voraus seinKI verändert die Arzneimittelforschung, Genomik und Biotechnologie schneller, als die meisten Berichterstattungen mithalten können. Für aktuelle KI-Nachrichten, Forschungsanalysen und die neuesten KI-Entwicklungen verfolgt AI Buzz Wire jeden wichtigen Durchbruch.
Weitere KI-Neuigkeiten lesen →
