AlphaGenome 2: Googles DNA-KI sagt Wirkung von Genvarianten pro Zelltyp voraus

Worum es geht

Google DeepMind hat am 11. November 2026 AlphaGenome 2 vorgestellt. Das KI-Modell sagt vorher, wie sich DNA-Abschnitte und ihre Varianten auf einzelne menschliche Zelltypen auswirken. Varianten sind kleine Abweichungen im Erbgut, etwa ein einzelner veränderter „Buchstabe“. Der Vorgänger AlphaGenome von 2025 betrachtete nur Durchschnittswerte über ganze Gewebe. Die neue Version geht dagegen bis zu bestimmten Zelltypen und Zellzuständen, etwa Herzmuskelzellen oder Immunzellen, die gerade eine Infektion bekämpfen.

AlphaGenome 2 steht ab sofort für nicht-kommerzielle Forschung über die AlphaGenome-API zur Verfügung, eine Programmierschnittstelle, über die man das Modell aus eigener Software abfragen kann. Laut der offiziellen Dokumentation ist diese Nutzung kostenlos, wie viele Anfragen erlaubt sind, hängt von der Auslastung ab. Für kommerzielle Forschung gibt es eine private Vorschau mit begrenztem Zugang. Dazu kommen interaktive Colab-Tutorials, also Anleitungen zum Mitmachen im Browser. Bald sollen auch „AlphaGenome 2 Skills“ für Googles Agenten-Entwicklungsplattform Antigravity erscheinen. Die Modellgewichte veröffentlicht DeepMind nicht.

Warum der Zelltyp so wichtig ist

Fast jede Zelle im Körper trägt dieselbe DNA. Trotzdem schaltet jeder Zelltyp andere Gene an und aus, und dieses Muster ändert sich auch je nachdem, was die Zelle gerade tut. Deshalb kann dieselbe Variante in einer Zellart große Folgen haben und in einer anderen gar keine. Betrachtet man nur den Durchschnitt eines Gewebes, wird ein Effekt, der nur in einem seltenen Zelltyp auftritt, schnell überdeckt. Das ist ungefähr so, als wollte man aus dem Lärm eines ganzen Stadions eine einzelne Stimme heraushören.

Projekte wie der Human Cell Atlas kartieren für Millionen einzelner Zellen, welche Gene aktiv sind (die sogenannte Genexpression). Bisher ließ sich aber kaum vorhersagen, wie kleine DNA-Unterschiede diese Aktivität verändern. Genau das soll AlphaGenome 2 leisten. DeepMind sagt, das Modell mache aus statischen Zellatlanten eine „Vorhersagemaschine für die menschliche Genetik“. DeepMind-Genomikchef Žiga Avsec erklärte gegenüber The Verge:

„Wenn man Medikamente entwickelt, zielt man auf bestimmte Proteine und bestimmte Zelltypen.“

Sein Kollege Adam Gayoso sieht den eigentlichen Durchbruch darin, „die menschliche Genetik mit der Zellbiologie zu verknüpfen“.

So funktioniert das Modell

Der erste AlphaGenome-Teil las eine DNA-Sequenz von einer Million Buchstaben und sagte daraus gleichzeitig Tausende Messwerte für viele Gewebe voraus. Das war effizient, verteilte die Rechenkapazität des Modells aber dünn. Feine Unterschiede zwischen eng verwandten Zelltypen gingen dabei verloren.

AlphaGenome 2 ist stattdessen ein konditionales Modell: Es rechnet immer nur für eine Bedingung, also ein Gewebe, einen Zelltyp oder einen Zellzustand. Diese Bedingung bekommt es neben der DNA-Sequenz in jeder Stufe seiner Architektur als Eingabe. So lernt es, wie dieselbe DNA in verschiedenen Zellen unterschiedlich „gelesen“ wird. Vorhergesagt werden wie bisher Genexpression, RNA-Spleißen (das Zuschneiden der Genabschriften), Histon-Modifikationen (chemische Markierungen an den Eiweißen, um die die DNA gewickelt ist) und Chromatin-Zugänglichkeit (wie offen ein DNA-Abschnitt für die Steuerung ist). Neu kommt die von vielen gewünschte DNA-Methylierung dazu, eine chemische Markierung, die Gene oft stilllegt.

Das Training umfasste Gewebe- und Einzelzell-Daten von Mensch und Maus, darunter mehr als 107 Millionen Einzelzell-Profile aus 68 Geweben. Zwei Fähigkeiten ergeben sich aus dem Aufbau:

• Neue Zellzustände ohne Nachtraining: Forschende laden eine Einzelzell-RNA-Messung hoch. Schon einige Dutzend Zellen genügen. Ein Zell-Encoder fasst sie zu einer Beschreibung des Zellzustands zusammen, mit der das Modell dann rechnet. Laut DeepMind erreicht oder übertrifft es dabei Modelle, die eigens auf diesen Daten trainiert wurden.
• Fehlende Messungen ergänzen: Hat man nur die Genaktivität gemessen, kann das Modell andere Eigenschaften wie die Chromatin-Zugänglichkeit vorhersagen. Das hilft bei der Entscheidung, welches Experiment sich als Nächstes lohnt.

Dafür ist die Vorhersage teurer: Jede Bedingung braucht einen eigenen Rechendurchlauf. Avsec sagt, deshalb ersetze AlphaGenome 2 seinen Vorgänger nicht. Mit dem neuen Modell wäre der im September veröffentlichte AlphaGenome Atlas nicht praktikabel gewesen. Laut HPCwire umfasst er rund ein Petabyte mit Vorhersagen für alle etwa 9 Milliarden möglichen Einzelbuchstaben-Änderungen im menschlichen Genom.

Zahlen aus dem Fachaufsatz

DeepMind nennt im technischen Paper unter anderem diese Werte (Herstellerangaben):

Dazu kommen zwei Beispiele. Bei chronisch-entzündlichen Darmerkrankungen (IBD) wählte das Modell aus sieben Kandidaten die Variante rs2836882 aus. Es ordnete sie dem rund 290.000 Basen entfernten Gen ETS2 zu und verortete die Wirkung in Monozyten und Makrophagen des Darms, das sind Fresszellen des Immunsystems. Das deckt sich mit einem Mechanismus, den eine wichtige Studie zuvor im Labor nachgewiesen hatte. Im zweiten Beispiel bekam das Modell bisher ungesehene Daten aus einer Studie zur mRNA-Impfung gegen Covid-19. Es unterschied impf-aktivierte T-Zellen von ruhenden und sagte voraus, dass eine mit schweren Covid-Verläufen verbundene Variante vor allem im aktivierten Zustand stark wirkt. In ruhenden Zellen wäre dieser Effekt nicht aufgefallen.

Vorberechnete Daten und erste Nutzer

Damit nicht jede Arbeitsgruppe selbst große Rechnungen starten muss, hat DeepMind Ergebnisse vorab berechnet. Laut Unite.ai gibt es zum einen eine Karte von Enhancer-Gen-Verbindungen über 640 Einzelzell-Referenzbedingungen und 39.323 Gene. Enhancer sind regulatorische Schalter in der DNA, die oft weit von ihrem Zielgen entfernt liegen. Bisher stammen solche Karten meist aus CRISPR-Experimenten an Zelllinien aus dem Labor. Jetzt gibt es sie auch für echte menschliche Zelltypen wie Astrozyten im Gehirn. Zum anderen gibt es Bewertungen für mehr als 6,8 Millionen häufige und merkmalsassoziierte Varianten über 510 menschliche Bedingungen. Sie sollen helfen, Treffer aus genomweiten Assoziationsstudien (GWAS, große Vergleiche des Erbguts vieler Menschen) einer konkreten Variante, einem Zielgen und einem Zelltyp zuzuordnen, von Körpergröße bis Typ-2-Diabetes.

Peter Donnelly, Chef von Genomics PLC, will AlphaGenome 2 in die Plattform Mystra seines Unternehmens einbauen. DeepMind arbeitet unter anderem mit dem Wellcome Sanger Institute zusammen, um mehr Zelltypen und Zellzustände zu erfassen. Avsec kündigte an, künftige Versionen könnten mit Daten „mehrerer Arten“ trainiert werden. Langfristig könnten solche Modelle in „virtuelle Zellen“ einfließen, also digitale Simulationen biologischer Systeme. Wer bis zum 30. November interessante Anwendungsfälle einreicht, kann laut DeepMind zusätzliches Kontingent und Guthaben bekommen.

Einordnung

AlphaGenome 2 ist ein Werkzeug für die Forschung und keine Diagnose-Software. DeepMind betont, dass keine der beiden Versionen für klinische oder diagnostische Zwecke geprüft oder zugelassen ist. Das Paper selbst nennt deutliche Grenzen. Auch bei hoher Präzision findet das Modell nur eine Minderheit der statistisch vermuteten ursächlichen Varianten. Effekte außerhalb zugänglicher DNA-Bereiche, bei sehr weit entfernten Schaltern oder nach dem Ablesen der Gene kann es unterschätzen. Kurzlebige oder krankheitsbedingte Zellzustände sind in den Trainingsdaten unterrepräsentiert, und feine Untergruppen von Nervenzellen kann es kaum unterscheiden. Weil die Zellzustände aus Beobachtungsdaten stammen, bildet das Modell Zusammenhänge ab, aber keine Ursachen. Ob es die Folgen etwa des Abschaltens eines Gens vorhersagen kann, ist offen.

Der Nutzen liegt deshalb im Sortieren: Aus Tausenden Kandidaten lassen sich die wenigen herausfiltern, die eine Laborprüfung wert sind. Die Ergebnisse bleiben Hypothesen, die man experimentell bestätigen muss. Die Benchmarks stammen bisher von DeepMind selbst. AlphaGenome 2 reiht sich in den Wettlauf der großen KI-Labore um wissenschaftliche Anwendungen ein. Laut The Verge experimentiert Anthropic mit Wirkstoffdesign und einem Nasslabor für Claude, OpenAI arbeitet an offenen Mathematikproblemen. DeepMind hat dabei die Erfahrung von AlphaFold, für das Demis Hassabis und John Jumper 2024 den Chemie-Nobelpreis bekamen.