DeepMind stellt AlphaGenome 2 vor: Wie DNA-Veränderungen bestimmte Zellen beeinflussen

Krankheitshinweis in 30 Minuten gefunden

Google DeepMind stellte AlphaGenome 2 am 11. November 2026 vor. Das KI-Modell wurde mit mehr als 107 Millionen Profilen einzelner Zellen aus 68 Geweben trainiert. Seine zentrale Aufgabe: vorherzusagen, welche DNA-Veränderungen welche Zellen beeinflussen. So sollen Forschende genetische Hinweise mit den biologischen Prozessen hinter Krankheiten verknüpfen können.

In einer Demonstration reproduzierte das Modell innerhalb von etwa 30 Minuten ein wichtiges Ergebnis aus einer Studie zu chronisch-entzündlichen Darmerkrankungen aus dem Jahr 2024. Die Forschenden hatten eineinhalb Jahre lang Experimente durchgeführt, um herauszufinden, wie eine DNA-Variante die Aktivität des ETS2-Gens in Immunzellen erhöht, die an Darmentzündungen beteiligt sind.

Die Variante liegt auf einem DNA-Abschnitt, der weit entfernt von dem Gen liegt, das sie steuert. AlphaGenome 2 wählte sie aus sieben Kandidaten aus und sagte einen Effekt auf ETS2 voraus, das etwa 290.000 DNA-Buchstaben entfernt liegt. DeepMind hob hervor, dass das Modell eine erhöhte ETS2-Aktivität gezielt in Darmmakrophagen identifizieren konnte. Diese Immunzellen helfen, den Körper zu schützen und Zelltrümmer zu beseitigen.

James Lee, Immunologe und Genetiker am Francis Crick Institute in London, der die frühere Studie leitete, beschrieb das rechnergestützte Ergebnis so:

Sie haben es geschafft, die Antwort in 30 Minuten herauszufinden. Wir haben dafür eineinhalb Jahre lang Experimente durchgeführt.

In der Praxis könnte das Modell Laboren dabei helfen, zu entscheiden, welche Experimente zuerst durchgeführt werden sollten. AlphaGenome 2 erstellt Vorhersagen zur molekularen Aktivität; Forschende müssen seine Ergebnisse weiterhin im Labor überprüfen. DeepMind zufolge sind die AlphaGenome-Modelle für die Forschung vorgesehen und wurden weder für klinische oder diagnostische Zwecke validiert noch zugelassen.

Warum sich dieselbe DNA unterschiedlich verhalten kann

Etwa 2 % des menschlichen Genoms enthalten Bauanleitungen für Proteine. Die übrigen rund 98 % werden als nichtkodierende DNA bezeichnet. Ein Teil davon besteht aus regulatorischen Sequenzen, die steuern, wann Gene aktiv werden, wo sie wirken und wie viel von ihrem Produkt eine Zelle herstellt.

Ein Vergleich: In einem Gebäude gibt es viele Räume, die denselben Elektroplan nutzen. Doch in den einzelnen Räumen kommen unterschiedliche Schalter zum Einsatz. Ähnlich tragen eine Herzmuskelzelle und eine Immunzelle weitgehend dieselbe DNA in sich, nutzen aber unterschiedliche Gengruppen, um ihre Aufgaben zu erfüllen.

Eine DNA-Variante ist eine Veränderung der Abfolge der DNA-Buchstaben. Eine Variante in einem regulatorischen Schalter kann die Aktivität eines Gens in einem Zelltyp erhöhen, während sie sich in einem anderen kaum auswirkt. Auch kann sich ihre Wirkung ändern, wenn eine Zelle während einer Infektion aktiviert wird oder auf eine Impfung reagiert.

In der Ankündigung von AlphaGenome 2 beschreibt DeepMind das neue Modell als Weiterentwicklung, die über allgemeine Durchschnittswerte für Gewebe hinausgeht und einzelne Zelltypen und -zustände betrachtet. Das ist wichtig, weil ein Gewebe aus einer Mischung verschiedener Zellen besteht. Werden ihre Messwerte gemittelt, lässt sich ein Effekt, der auf eine kleine Zellgruppe beschränkt ist, womöglich schwerer erkennen.

Das Beispiel der chronisch-entzündlichen Darmerkrankung zeigt, warum der Ort allein irreführend sein kann. Die Variante liegt in einer Genwüste, einer Region mit wenigen oder gar keinen Sequenzen, die direkt für Proteine codieren. Sie ist Teil eines Enhancers, einer regulatorischen Sequenz, die ein weit entferntes Gen beeinflussen kann. Um diesen Zusammenhang zu erkennen, muss sowohl das Zielgen als auch der Zelltyp gefunden werden, in dem der Schalter wirkt.

Ein Modell, das auf die untersuchte Zelle zugeschnitten ist

Das ursprüngliche AlphaGenome, das 2025 vorgestellt wurde, verarbeitete eine DNA-Sequenz mit einer Million Buchstaben und sagte molekulare Eigenschaften für viele Gewebe und Experimente gleichzeitig voraus. Seine Ausgaben deckten eine festgelegte Auswahl an Gewebe- und Zellbedingungen ab. Dadurch ließen sich feine Unterschiede zwischen eng verwandten Zellen nur schwer erfassen.

AlphaGenome 2 verarbeitet dagegen sowohl die DNA-Sequenz als auch eine biologische Bedingung als Eingaben. Diese Bedingung kann ein Gewebe, ein Zelltyp oder ein Zellzustand sein. Das Modell bezieht diese Information während des gesamten Vorhersageprozesses ein und konzentriert sich jeweils auf eine Bedingung.

Forschende bezeichnen das als bedingtes Modell. Einfach gesagt, ändert sich die Frage von „Was bewirkt eine DNA-Sequenz im Allgemeinen?“ zu „Was bewirkt sie unter bestimmten Umständen in einer bestimmten Zellart?“

Für das Training wurden Messungen aus Gewebeproben mit gemischten Zelltypen und Daten einzelner menschlicher und Maus-Zellen kombiniert. Die Daten umfassen 637 menschliche und 311 Maus-Zelltypen. Die mehr als 107 Millionen Profile aus 68 Geweben liefern dem Modell Beispiele dafür, wie sich die Genaktivität in spezialisierten Zellen unterscheidet.

Auch in DeepMinds koreanischer Ankündigung werden die Neuausrichtung und die ergänzten Vorhersagen zur DNA-Methylierung beschrieben. Bei der DNA-Methylierung handelt es sich um chemische Markierungen an der DNA, die die Genaktivität mitregulieren können. Zu den weiteren vorhergesagten Messwerten gehören die Genexpression, chemische Veränderungen an DNA-assoziierten Proteinen sowie die Zugänglichkeit des Chromatins. Letztere beschreibt, wie gut die DNA für die molekulare Maschinerie zugänglich ist, die sie abliest.

Was die Leistungszahlen bedeuten

DeepMind bewertete AlphaGenome 2 anhand von TenK10K, einem umfangreichen Datensatz zu 28 Typen primärer menschlicher Immunzellen. Das Unternehmen berichtete, dass das Modell in der Auswertung 30 % der kausalen Varianten identifizierte, gegenüber 16 % beim früheren, an Einzelzelldaten angepassten AlphaGenome.

Das entspricht einer Verbesserung um 14 Prozentpunkte beziehungsweise rund 88 % gegenüber dem früheren Wert. Damit erklärt sich DeepMinds Aussage, das Modell identifiziere fast doppelt so viele Varianten, die die Genexpression in bestimmten Zellen verändern.

Auch die Fähigkeit, die Richtung des Effekts einer Variante zu bestimmen, verbesserte sich. Der angegebene Wert stieg von 23 % auf 43 %, ein Plus von 20 Prozentpunkten. Die Richtung ist wichtig: Bevor Forschende untersuchen können, welche Rolle eine DNA-Veränderung bei einer Krankheit spielt, müssen sie wissen, ob sie die Genaktivität erhöht oder senkt.

In einer weiteren Auswertung wurden regulatorische Schalter untersucht, die zwischen 100.000 und 2,5 Millionen DNA-Buchstaben von einem Gen entfernt liegen. Beim Vergleich mit Ergebnissen aus CRISPR-Interferenz-Screenings, bei denen die Aktivität an ausgewählten DNA-Stellen verringert und die Reaktion gemessen wird, erreichte AlphaGenome 2 einen Wert von 0,62 für eine Kennzahl, die Präzision und Trefferquote kombiniert. Beim Vorgängermodell lag der Wert bei 0,48.

Die Präzision gibt an, wie viele der ausgewählten Kandidaten zutreffen; die Trefferquote, wie viele relevante Kandidaten das Modell findet. Selbst bei einer anspruchsvollen Konfidenzschwelle übersieht das Modell laut der Forschungsarbeit noch die meisten Varianten, die vermutlich kausal sind. Forschende müssen daher abwägen: Wollen sie eine kürzere Liste aussichtsreicherer Vorhersagen oder ein breiteres Spektrum möglicher Hinweise?

Neue Zellzustände ohne erneutes Training erfassen

AlphaGenome 2 kann auch Messwerte von Zellen verwenden, die nicht in der ursprünglichen Trainingssammlung enthalten waren. Forschende können Einzelzell-RNA-Sequenzierungsdaten hochladen. Diese erfassen die Genaktivität einzelner Zellen und können aus einer Probe mit nur einigen Dutzend Zellen stammen.

Das Modell fasst diese Messwerte zu einer Repräsentation des Zellzustands zusammen und nutzt sie als Grundlage für seine Vorhersagen. So muss nicht das gesamte Modell neu trainiert werden, wenn ein Labor eine neue biologische Bedingung untersucht.

Sarah Teichmann, Mitgründerin des Human Cell Atlas und Professorin für Stammzellmedizin an der University of Cambridge, hob dieses Merkmal in DeepMinds Ankündigung hervor:

Das Spannende an AlphaGenome 2 ist, dass es sich direkt an neue Einzelzelldaten anpasst, ohne neu trainiert zu werden. So sagt es voraus, wie DNA-Varianten in neu erfassten Zellzuständen wirken, selbst wenn dafür nur eine kleine Zellprobe vorliegt.

In einer Demonstration mit zuvor ungesehenen Daten aus einer Studie zu einem COVID-19-mRNA-Impfstoff unterschied AlphaGenome 2 aktivierte T-Zellen von ruhenden T-Zellen. T-Zellen sind Immunzellen, deren Genaktivität sich verändert, wenn sie auf eine Bedrohung reagieren.

Das Modell sagte außerdem voraus, dass eine mit schwerem COVID-19 in Verbindung gebrachte Variante die Genaktivität in aktivierten Zellen stärker stört. Das Beispiel bezieht den Zellzustand in die genetische Erklärung ein: Die Wirkung einer Variante kann davon abhängen, was die Zelle gerade tut, wenn Forschende sie untersuchen.

Forschende können mit dem Modell auch aus einer Messart eine andere vorhersagen, wenn Letztere fehlt. So können Daten zur Genaktivität dem Modell helfen, die Zugänglichkeit des Chromatins zu schätzen. Dieses Verfahren, die Imputation über Modalitäten hinweg, könnte Laboren bei der Entscheidung helfen, welche zusätzlichen Messungen am nützlichsten wären.

Vom genetischen Signal zu einem möglichen Angriffspunkt für Medikamente

Genomweite Assoziationsstudien, meist mit GWAS abgekürzt, suchen bei vielen Menschen nach DNA-Unterschieden, die mit Krankheiten oder Merkmalen zusammenhängen. Häufig wird dabei eine Region mit mehreren möglichen Varianten gefunden. Anschließend müssen Forschende herausfinden, welche Variante relevant ist, welches Gen sie beeinflusst und an welcher Stelle im Körper dieser Effekt auftritt.

DeepMind hat AlphaGenome-2-Vorhersagen für Varianten berechnet, die mit Merkmalen in Hunderten menschlicher Zell- und Gewebebedingungen zusammenhängen. Ziel ist es, diese Zusammenhänge leichter untersuchbar zu machen, ohne dass jedes Labor selbst umfangreiche Rechenaufträge ausführen muss.

Die Vorhersagen verknüpfen außerdem Enhancer mit Zielgenen in primären menschlichen Zellen, darunter Astrozyten im Gehirn, die Nervenzellen unterstützen und schützen. Solche Verbindungen sind experimentell mitunter schwer zu kartieren, da bei vielen CRISPR-Screenings stabile, im Labor gezüchtete Zellen statt spezialisierter Zellen aus dem Körper verwendet werden.

Die Demonstration zur chronisch-entzündlichen Darmerkrankung vereint diese Aufgaben. Das Modell verknüpft eine weit entfernte regulatorische Variante mit ETS2 und identifiziert die betreffenden Immunzellen. In der früheren experimentellen Forschung waren zudem mögliche Angriffspunkte für Behandlungen identifiziert worden. So hatten die Forschenden einen biologischen Befund, mit dem sie die Vorhersage vergleichen konnten.

Peter Donnelly, Geschäftsführer von Genomics Limited, erläuterte in DeepMinds Ankündigung, warum es schwierig ist, genetische Zusammenhänge in die Medikamentenforschung zu übertragen:

GWAS spielen dabei eine zentrale Rolle. Es ist jedoch schwierig, von einem Assoziationssignal zu dem zu gelangen, was ein Arzneimittelprogramm benötigt.

Donnelly sagte, das Unternehmen freue sich darauf, AlphaGenome 2 in Mystra zu integrieren, seine Plattform zur Bewertung von Arzneimittel-Zielstrukturen mithilfe menschlicher Genetik. Ein Zeitpunkt für die Integration oder Ergebnisse eines Pharmaunternehmens, das das neue Modell nutzt, wurden nicht bekannt gegeben.

Wie der Atlas mit neun Milliarden Varianten dazu passt

AlphaGenome 2 folgt auf eine weitere Veröffentlichung aus demselben Forschungsprogramm: den AlphaGenome Atlas, einen Katalog mit Vorhersagen zu allen neun Milliarden möglichen Veränderungen eines einzelnen DNA-Buchstabens im menschlichen Genom. DeepMind veröffentlichte den Atlas etwa zwei Monate vor der Ankündigung des neuen Modells.

In der Forschungsübersicht zu AlphaGenome beschreibt das Unternehmen den Atlas als einen Datensatz mit einem Petabyte Umfang. Er enthält einen AlphaGenome Variant Impact Score, kurz AVI-Score, mit dem Forschende Varianten nach ihren vorhergesagten molekularen Auswirkungen ordnen können.

Die beiden Werkzeuge decken unterschiedliche Rechenanforderungen ab. Das ursprüngliche Modell bietet eine breite Abdeckung für einen umfangreichen Katalog. AlphaGenome 2 ermöglicht detailliertere Fragen zu bestimmten Zellen und Zuständen, benötigt für seine spezifischeren Vorhersagen aber mehr Rechenleistung.

Ziga Avsec, der das AlphaGenome-Team bei DeepMind leitet, hat beschrieben, dass das ursprüngliche Modell für eine umfassende Genomabdeckung und AlphaGenome 2 für die genauere Untersuchung von Krankheitsmechanismen und möglichen Angriffspunkten für Medikamente eingesetzt wird. Für Forschende deutet das auf einen Arbeitsablauf hin, der mit einer breit angelegten Suche beginnt und anschließend ausgewählte Kandidaten in den relevanten Zellen untersucht.

Die Entwicklung verlief in kurzer Folge:

• 2024: Lees Team wies den ETS2-Mechanismus bei chronisch-entzündlichen Darmerkrankungen durch Laborexperimente nach.
• 2025: DeepMind stellte das ursprüngliche AlphaGenome-Modell vor.
• Etwa September 2026: Der AlphaGenome Atlas wurde mit Vorhersagen zu neun Milliarden möglichen Veränderungen eines einzelnen DNA-Buchstabens veröffentlicht.
• 11. November 2026: DeepMind kündigte AlphaGenome 2 und den Forschungszugang an.
• 30. November 2026: Frist für Forschende, Projekte zur möglichen Förderung sowie für zusätzliche Rechenkontingente oder Guthaben einzureichen.

Was Forschende bereits mit AlphaGenome erreicht haben

In seiner Forschungsübersicht nennt DeepMind Beispiele für den Einsatz der umfassenderen AlphaGenome-Werkzeuge. Am Broad Institute nutzte Laura Covill AVI-Scores, um eine DNM1-Variante zu identifizieren, die mit einem Fehler bei der Genverarbeitung zusammenhängt. Laborexperimente bestätigten die Vorhersage und stützten eine Neueinstufung der Variante.

An der University of Exeter nutzte Gareth Hawkes AlphaGenome für eine Studie mit mehr als 54.000 Teilnehmenden der UK Biobank. Untersucht wurden seltene nichtkodierende Varianten und Merkmale wie die Konzentration von Plasmaproteinen. In einer Region sank die Zahl der Kandidaten von 526 auf vier. Das zeigt, wie Vorhersagen den Fokus experimenteller Untersuchungen eingrenzen können.

Julia Zeitlinger am Stowers Institute for Medical Research setzte AlphaGenome ein, um kurze regulatorische DNA-Sequenzen und ihre unterschiedlichen Auswirkungen auf verschiedene Zelltypen zu untersuchen. Ihre Arbeit befasst sich mit den Regeln, nach denen Zellen die Genaktivität steigern oder verringern.

An der University of Copenhagen nutzten Cesar Cunha und Marc Pielies Avelli unter der Leitung von Tuomas Kilpelainen AlphaGenome, um genetische Risikosignale für Alzheimer in verschiedenen Geweben nachzuverfolgen. Ihre Analyse ergab vorhergesagte regulatorische Effekte in Immun- und Stoffwechselgeweben sowie im Gehirn.

Diese Beispiele zeigen mehrere praktische Wege von der Vorhersage zur Forschung: seltene Krankheitskandidaten einordnen, eine lange Variantenliste verkürzen, regulatorische Sequenzen untersuchen und genetische Signale im Körper nachverfolgen. AlphaGenome 2 richtet den Blick zusätzlich genauer auf die beteiligten Zelltypen und -zustände.

Zugang, Kosten und die nächsten Experimente

AlphaGenome 2 ist für nichtkommerzielle Forschung kostenlos über die Programmierschnittstelle (API) von AlphaGenome verfügbar. Über sie können Forschende dem Modell per Software Anfragen senden. Kommerziell Forschende können Zugang über eine private Vorschau beantragen. DeepMind stellt außerdem interaktive Colab-Tutorials bereit.

DeepMind zufolge arbeitet das Unternehmen mit Forschenden zusammen, darunter Teams am Wellcome Sanger Institute, um weitere menschliche Zelltypen, Entwicklungsstadien und Zellen zu erfassen, die durch unterschiedliche biologische Bedingungen verändert wurden. Mit diesen Messungen lässt sich die Bandbreite der untersuchbaren Zellzustände erweitern.

Das Unternehmen plant außerdem, AlphaGenome 2 Skills auf Google Antigravity zu veröffentlichen, seiner Plattform für automatisierte Entwicklungs- und wissenschaftliche Arbeitsabläufe. Ein Veröffentlichungstermin wurde nicht genannt. Forschende, die bis zum 30. November Anwendungsfälle einreichen, können für zusätzliche Kontingente und Guthaben ausgewählt werden.

Für ein Labor ist die unmittelbare Frage konkret: Helfen die Vorhersagen dabei, aussichtsreiche Kandidaten mit weniger Experimenten zu bestätigen oder schneller zu einer Forschungsentscheidung zu kommen? Die ETS2-Demonstration ist ein ermutigendes Beispiel dafür, dass ein bekannter Mechanismus nachvollzogen werden kann. Der weitergehende Nutzen hängt davon ab, ob Labore mit dem Werkzeug neue Kandidaten untersuchen und die Ergebnisse experimentell überprüfen.

Die wichtigsten Punkte

• DeepMind stellte AlphaGenome 2 am 11. November 2026 vor. Das Modell wurde mit mehr als 107 Millionen Profilen einzelner Zellen aus 68 Geweben trainiert.
• Das Modell sagt die Auswirkungen von DNA-Veränderungen in bestimmten Zelltypen und -zuständen voraus, auch in neu erfassten Zuständen, die Forschende bereitstellen.
• In der TenK10K-Auswertung stieg der Anteil identifizierter kausaler Varianten von 16 % auf 30 %; der Anteil korrekt bestimmter Richtungen der Genwirkung von 23 % auf 43 %.
• In einer Demonstration reproduzierte das Modell innerhalb von etwa 30 Minuten ein wichtiges Ergebnis zu ETS2 bei chronisch-entzündlichen Darmerkrankungen.
• Der AlphaGenome Atlas liefert breit angelegte Vorhersagen zu neun Milliarden möglichen Veränderungen eines einzelnen DNA-Buchstabens; AlphaGenome 2 ermöglicht detailliertere Analysen auf Zellebene.
• Für nichtkommerzielle Forschung ist der Zugang kostenlos; kommerzieller Zugang ist über eine private Vorschau möglich. Eine Überprüfung im Labor bleibt notwendig, und die Modelle sind nicht für Diagnosen zugelassen.