Jede Zelle im menschlichen Körper trägt exakt denselben genetischen Bauplan: rund drei Milliarden Basenpaare DNA. Dennoch erfüllt eine Herzmuskelzelle völlig andere Aufgaben als eine Immunzelle im Entzündungszustand oder ein stützender Astrozyt im Gehirn. Was steuert, welche Abschnitte des Codes aktiv abgelesen werden und welche stumm bleiben? Mehr als 98 Prozent unseres Erbguts codieren nicht direkt für Proteine. Lange Zeit als biologischer Ballast missverstanden, gilt diese nicht-codierende DNA heute als hochkomplexes Schaltpult aus regulatorischen Verstärkern (Enhancern) und Startschaltern (Promotoren). Mit AlphaGenome 2 hat Google DeepMind nun die nächste Generation seines biologischen Grundlagenmodells vorgestellt. Während frühere Ansätze lediglich grobe Durchschnitte über ganze Gewebeproben abbildeten, sagt AlphaGenome 2 die Genregulation nun punktgenau für spezifische Zelltypen und dynamische Zellzustände voraus.
Damit schließt die KI-Forschung eine fundamentale Lücke zwischen statistischen Genom-Untersuchungen und der praktischen Krankheitsforschung. Genomweite Assoziationsstudien (GWAS) identifizieren seit Jahren tausende DNA-Abschnitte, die mit Volkskrankheiten wie Diabetes, Rheuma oder Krebs korrelieren. Meist liegen diese Varianten jedoch in den weiten, unübersichtlichen Weiten der nicht-codierenden DNA - unklar blieb bislang, in welchem konkreten Zelltyp eine winzige Abweichung ein Gen hoch- oder herunterreguliert. AlphaGenome 2 soll diese Kausalketten nun rechnerisch auflösen, wie DeepMind-Chef Demis Hassabis bei der Vorstellung des Modells unterstrich.
Vom Gewebedurchschnitt zur Einzelzelle: Die Architektur hinter dem Modell
Der Vorgänger AlphaGenome verarbeitete bereits Sequenzfenster von bis zu einer Million DNA-Buchstaben auf einmal, gab seine Vorhersagen jedoch parallel für tausende historische Laborexperimente und grobe Gewebedurchschnitte (Bulk Tissues) aus. Diese Parallelität stieß bei feinen Unterschieden zwischen eng verwandten Zelllinien an ihre Grenzen. Für die zweite Generation hat das Team um die Erstautoren Adam Gayoso, Natasha Latysheva, Pushmeet Kohli und Žiga Avsec die Modellarchitektur grundlegend neu konzipiert.
AlphaGenome 2 arbeitet als konditionales Modell. Statt alle Bedingungen gleichzeitig zu berechnen, verarbeitet das neuronale Netz jeweils eine spezifische biologische Zielbedingung - definiert durch Gewebe, Zelltyp oder Aktivierungszustand. Diese Bedingung fließt auf sämtlichen Verarbeitungsebenen der Architektur als Steuerungssignal ein. Dadurch lernt das Modell, wie ein und derselbe DNA-Abschnitt je nach zellulärer Umgebung vollkommen unterschiedlich interpretiert wird. Trainiert wurde das System auf mehr als 107 Millionen individuellen Einzelzellprofilen über 68 Gewebe von Mensch und Maus.
Aus dieser konditionalen Struktur ergibt sich ein methodischer Fortschritt: die sogenannte Cross-Modality Imputation. Biologische Experimente erfassen im Labor selten alle Parameter gleichzeitig. Liegt für eine Zellprobe beispielsweise nur die Genaktivität (RNA-Sequenzierung) vor, kann AlphaGenome 2 fehlende experimentelle Schichten - etwa die physische Zugänglichkeit des Chromatins oder chemische Histonmodifikationen - eigenständig ableiten. Erstmals sagt das System zudem auch DNA-Methylierungen voraus, einen der am stärksten nachgefragten epigenetischen Marker in der Krebs- und Altersforschung.
Generalisierung ohne Nachtraining: Ein Adapter für unbekannte Zellzustände
Bisherige bioinformatische Modelle mussten bei neuartigen experimentellen Daten oft aufwendig und rechenintensiv feingetunt werden. AlphaGenome 2 umgeht diesen Engpass über einen integrierten Cell Encoder. Forschende können eine Momentaufnahme der Genaktivität (Single-Cell RNA-seq) von lediglich einigen Dutzend Zellen hochladen. Der Encoder komprimiert diese Signale in eine mathematische Zustandsrepräsentation, die als Steuerungsparameter für das Modell dient.
Nach Angaben von DeepMind generalisiert das Modell damit unmittelbar auf völlig neuartige Zellzustände, die im ursprünglichen Training nicht enthalten waren. In einer Validierungsstudie mit Daten zu mRNA-Impfungen gegen COVID-19 unterschied AlphaGenome 2 impf-aktivierte T-Zellen zuverlässig von ruhenden Abwehrzellen. Das Modell deckte dabei auf, dass eine bekannte genetische Risikovariante für schwere Krankheitsverläufe die Genaktivität in aktivierten Immunzellen drastisch stärker destabilisiert als im Ruhezustand - ein Befund, der in herkömmlichen Gewebemodellen unsichtbar geblieben wäre.
Sarah Teichmann, Professorin für Stammzellmedizin an der University of Cambridge und Mitgründerin des Human Cell Atlas Konsortiums, hob hervor, wie bemerkenswert die Fähigkeit des Systems sei, sich ohne erneutes Training direkt an neu profilierte Zellzustände aus kleinsten Probenmengen anzupassen.
Trefferquote verdoppelt: Kausale Krankheitsauslöser im Erbgut aufspüren
Die praktische Bewährungsprobe für Sequenzmodelle liegt im Aufspüren jener winzigen Mutationen, die tatsächlich Krankheiten verursachen. Auf dem unabhängigen Benchmark-Datensatz TenK10K, der 28 primäre menschliche Immunzelltypen umfasst, identifizierte AlphaGenome 2 nach Angaben des Herstellers 30 Prozent der kausalen Varianten. Das entspricht nahezu einer Verdopplung gegenüber der auf Einzelzell-Daten feingetunten Vorgängerversion (16 Prozent). Bei der Vorhersage, ob eine Mutation die Aktivität eines Gens verstärkt oder dämpft, stieg die Genauigkeit von 23 auf 43 Prozent.
Wie präzise diese zelluläre Auflösung arbeitet, demonstrierte das Forschungsteam an chronisch entzündlichen Darmerkrankungen (CED / IBD). Eine kürzlich publizierte Grundlagenstudie hatte experimentell belegt, dass eine bestimmte Mutation in einem fernen Steuerungselement das Entzündungsgen ETS2 selektiv in Makrophagen der Darmschleimhaut überaktiviert. AlphaGenome 2 reproduzierte diese Kausalkette vollständig in silico: Das Modell isolierte die exakte Mutation und zeigte rechnerisch, dass sie das ETS2-Gen ausschließlich in Darm-Makrophagen anschaltet, während benachbarte Immunzelltypen und umliegende Gene unbeeinflusst bleiben.
| Eigenschaft | AlphaGenome (1. Generation) | AlphaGenome 2 (Neuvorstellung) |
|---|---|---|
| Modellarchitektur | Parallele Vorhersage für Gewebedurchschnitte | Konditionales Modell für spezifische Zelltypen |
| Trainingsdatenbasis | Bulk-Gewebe und etablierte Labor-Zelllinien | > 107 Millionen Einzelzellprofile (68 Gewebe) |
| Kausale Varianten (TenK10K) | 16 % Trefferquote | 30 % Trefferquote (nahezu verdoppelt) |
| Neue Epigenetik-Messgrößen | Histone, Chromatin-Zugänglichkeit | Zusätzlich DNA-Methylierung integriert |
| Anpassung an neue Daten | Aufwendiges Feintuning erforderlich | Zero-Shot via Cell Encoder (wenige Dutzend Zellen) |
| Fehlende Messwerte | Keine modulare Vervollständigung | Cross-Modality Imputation (z. B. Chromatin aus RNA) |
Integration in Google Antigravity und die industrielle Wirkstoffforschung
Um die Rechenergebnisse der weltweiten Forschungsgemeinschaft zugänglich zu machen, stellt DeepMind das System über zwei Wege bereit: einerseits über die kostenfreie Programmierschnittstelle für die akademische Forschung auf der AlphaGenome Dokumentationsplattform, andererseits über den AlphaGenome Atlas. Dieser enthält vorberechnete Wirkungs-Scores für alle neun Milliarden denkbaren Einzelbuchstaben-Mutationen des menschlichen Genoms, quantifiziert über den sogenannten AVI-Score (AlphaGenome Variant Impact).
Parallel kündigte DeepMind an, spezialisierte „AlphaGenome 2 Skills“ direkt in die agentische Entwicklungsplattform Google Antigravity einzubetten. In Kombination mit fortgeschrittenen Forschungsagenten auf Basis von Gemini 4 sollen biomedizinische Hypothesen künftig weitgehend autonom formuliert, gegen Genomdatenbanken geprüft und in experimentelle Laborprotokolle übersetzt werden. Wie stark die Frontier Labs um biologische Grundlagenmodelle konkurrieren, zeigt sich auch an den Reaktionen der Industrie: Sir Peter Donnelly, CEO des Genetik-Spezialisten Genomics Limited, kündigte an, AlphaGenome 2 direkt in die firmeneigene Wirkstoffplattform Mystra zu integrieren, um die Lücke zwischen Genom-Assoziationen und pharmazeutischen Zielmolekülen zu schließen.
„Die Humangenetik ist eines der mächtigsten Werkzeuge in der Wirkstoffentwicklung. Doch der Schritt von einem genomischen Assoziationssignal zu einem konkreten Medikamentenprogramm ist enorm schwierig. DNA-Sequenzvorhersagemodelle schließen genau diese Lücke, und AlphaGenome 2 stellt einen beeindruckenden Fortschritt dar.“
Die Entwicklung reiht sich nahtlos in Googles Serie wissenschaftlicher KI-Systeme ein - von der Strukturvorhersage bei AlphaFold über AlphaProtein Novo zur Enzym-Entwicklung bis hin zu Fortschritten bei der Wirkstoffforschung und Immunzell-Therapie.
Grenzen der In-silico-Biologie: Ein Modell ersetzt kein nasses Labor
Trotz der eindrucksvollen Benchmark-Gewinne mahnt DeepMind im begleitenden Forschungsbericht zu AlphaGenome 2 zur Sachlichkeit: Das Modell ist ausschließlich für die wissenschaftliche Grundlagenforschung freigegeben und ausdrücklich nicht für klinische oder diagnostische Anwendungen an Patienten validiert.
Zudem bedeutet eine Verdopplung der Trefferquote auf 30 Prozent bei kausalen Varianten im Umkehrschluss, dass 70 Prozent der relevanten Mutationen weiterhin außerhalb der sicheren Vorhersagekraft liegen. Biologische Systeme unterliegen dynamischen Rückkopplungsschleifen, 3D-Faltungen des Erbguts im Zellkern und Umwelteinflüssen, die sich nicht vollständig in einem linearen DNA-Sequenzfenster erfassen lassen. Rechnerische Simulationen dienen der Priorisierung vielversprechender Kandidaten - funktionelle Validierungen im Labor über gezielte Genom-Editierungen mittels CRISPR bleiben auch im Zeitalter generativer Genomik unverzichtbar.
🎯 Was das für die Praxis bedeutet
1. GWAS-Datenschätze neu heben: Biotech-Unternehmen und akademische Labore können bestehende Genom-Assoziationsstudien mit dem vorberechneten AlphaGenome Atlas abgleichen, um bisher ungelöste Krankheitskorrelationen konkreten Zelltypen zuzuordnen.
2. Zielmoleküle zellspezifisch absichern: Durch die präzise Vorhersage, in welchem Zellzustand eine Mutation regulatorisch wirkt, sinkt das Risiko kostspieliger Fehlschläge bei der Auswahl von Wirkstoff-Targets in der präklinischen Phase.
3. Laborversuche gezielt priorisieren: Anstatt zehntausende Genom-Varianten im Nasslabor zu screenen, können Forscher in-silico vorfiltern und teure CRISPR-Experimente auf die aussichtsreichsten regulatorischen Schalter konzentrieren.
4. Agentische Bioinformatik etablieren: Mit der Integration von Genom-Skills in Plattformen wie Google Antigravity verschiebt sich die Datenanalyse von manuellen Bioinformatik-Skripten hin zu automatisierten, agentischen Forschungsassistenten.
