KI-Modelle und Plattformen
Illumina führt das SpliceAI2‑Modell zur Interpretation von Spleißvarianten ein

Wichtige PunkteSpliceAI2 übertraf AlphaGenome und andere Splicing-Modelle in drei unabhängigen…
Mehr anzeigen
- SpliceAI2 übertraf AlphaGenome und andere Splicing-Modelle in drei unabhängigen Benchmarks.
- Das Modell identifizierte in der Seltene-Krankheiten-Forschung 17 % mehr krankheitsrelevante Varianten als andere Splicing-Modelle.
- Illumina veröffentlichte SpliceAI2-Gewichte und -Vorhersagen kostenlos für akademische Nutzung, während eine separate kommerzielle Lizenzierung erforderlich ist.
Illumina stellte am 8. Oktober 2026 SpliceAI2 vor, ein genomisches KI‑Modell aus seinem BioInsight‑AI‑Lab, das vorhersagt, wie genetische Varianten das RNA‑Spleißen verändern. Illumina sagte, das Modell habe 17 % mehr krankheitsrelevante Varianten identifiziert als andere Spleiß‑Modelle, wenn es auf einen Datensatz zur Forschung seltener Krankheiten angewendet wurde.
Laut der Unternehmensankündigung ist SpliceAI2 darauf ausgelegt, Forschern zu helfen, krankheitsrelevante Spleißvarianten zu identifizieren, die sonst unbemerkt bleiben könnten, wobei die Vorhersage von Spleiß‑Effekten entscheidend ist, um Varianten mit unklarer Bedeutung in der Forschung seltener Krankheiten, in der Forschung zu Tests auf erblichen Krebs und in der Wirkstoffentdeckung aufzuklären. Das Modell ergänzt PromoterAI und PrimateAI‑3D in einer Suite genomischer KI‑Modelle, die Spleiß‑, Promotor‑ und Missense‑Varianten‑Effekttypen abdecken, und Illumina sagte, dass die drei zusammen Forschern jetzt ermöglichen, bis zu doppelt so viele Varianten mit vorhergesagter biologischer Wirkung zu identifizieren.
Rami Mehio, Senior Vice President und General Manager von BioInsight, beschrieb Werkzeuge zur Vorhersage von Varianten‑Effekten wie SpliceAI2 als einen der wichtigsten Schwerpunktbereiche des BioInsight‑AI‑Labs; das Labor arbeitet an der Erzeugung genomischer und multi‑omischer Daten, der Entwicklung genomischer KI‑Modelle zur Vorhersage und Priorisierung von Varianten‑Effekten sowie am Training biologischer Grundmodelle. Kyle Farh, Vice President des BioInsight‑AI‑Labs, sagte, Illumina treibe KI voran, „um systematisch den Teil des Genoms zu verkleinern, der bislang uninterpretiert bleibt.“
SpliceAI2 folgt dem ursprünglichen SpliceAI, das das Labor 2019 veröffentlichte. Illumina sagte, das Modell der ersten Generation sei in mehr als 3.400 Publikationen zitiert worden und sei in die Empfehlungen zur Interpretation von Spleiß‑Varianten von ClinGen, einer klinischen Forschungsorganisation, die Standards für die klinische Genomik festlegt, integriert. Das neue Modell wurde mit einem Datensatz trainiert, der mehr als 100‑mal größer ist als der seines Vorgängers.
Modelldesign und Trainingsdaten
Während das ursprüngliche SpliceAI vorhersagte, ob eine Zelle an einer bestimmten Stelle spleißen würde, beantwortet SpliceAI2 drei Fragen, laut Illuminas technischem Artikel: welche Positionen in einem Gen als Spleißstellen genutzt werden und wie häufig, welche Spleißstellen durch Spleiß‑Junctions verbunden sind und welche Voll‑Längen‑RNA‑Transkript‑Isoformen erzeugt werden. Das Modell benötigt nur eine DNA‑Sequenz als Eingabe, was Illumina zufolge eine Analyse auf Transkript‑Ebene ohne RNA‑Daten aus schwer zu beschaffenden Geweben ermöglicht.
Ein Manuskript, das die Arbeit beschreibt, beschreibt ein Modell, das 196.608 Basenpaare genomischer Sequenz mit etwa 13 Millionen trainierbaren Parametern verarbeitet und Vorhersagen zu Spleißstellen und -junctions in einen Spleiß‑Graphen integriert, aus dem vollständige Transkripte und deren Nutzung abgeleitet werden. SpliceAI2 wurde End‑to‑End auf 314.745 RNA‑Sequenzierungs‑Proben trainiert, die den Menschen und neun weitere Säugetierarten umfassen und nach dem Filtern mehr als 46 Millionen beobachtete Spleiß‑Junctions abdecken, zusammen mit 330 Long‑Read‑RNA‑Sequenzierungs‑Proben aus dem öffentlichen ENCODE‑Projekt. Die Autoren berichten, dass das Modell das am häufigsten vorkommende Transkript für 82 % der zurückgehaltenen Gene exakt rekonstruierte, verglichen mit 78 % ohne Training mit Long‑Read‑Daten.
Das Manuskript beschreibt zudem ein Feinabstimmungs‑Framework, das Vorhersagen anhand der Expressionsniveaus von 147 RNA‑bindenden Proteinen konditioniert und dabei gewebespezifische Spleiß‑Unterschiede in 48 Genotype‑Tissue‑Expression (GTEx) Geweben in fast 15 Millionen Messungen differenzieller Spleiß‑Stellen‑Nutzungen erfasst. Die Autoren berichten, dass das Modell eigenständig Sequenz‑Motife erlernte, die von echten Spleiß‑Regulatoren erkannt werden, ohne dass diese Beziehungen explizit vermittelt wurden, und dass das Framework an Krankheitszustände wie SF3B1‑mutante Tumoren und Myotonische Dystrophie angepasst wurde.
Benchmark‑Tests und Erkenntnisse zu seltenen Krankheiten
In drei unabhängigen Benchmark‑Tests berichtet das Manuskript, dass SpliceAI2 das ursprüngliche SpliceAI, Pangolin und AlphaGenome von Google DeepMind übertraf, wobei die AlphaGenome‑Vergleiche von Mitarbeitern der University of Oxford eigenständig durchgeführt wurden. SpliceAI2 erzielte einen auPRC von 0,77 gegenüber 0,66 beim nächstbesten Modell für die Erkennung kryptischer Spleiß‑Varianten im GTEx, eine Spearman‑Korrelation von 0,63 gegenüber 0,47 bei der Quantifizierung der Spleiß‑Stellen‑Nutzung, einen auROC von 0,76 gegenüber 0,73 bei der Klassifizierung von splicing‑quantitativen Trait‑Loci und eine Spearman‑Korrelation von 0,59 gegenüber 0,55 im OpenSplice‑Benchmark für massiv parallele Reporter‑Assays. Illuminas Ankündigung besagt, dass das Modell die Quantifizierung der Spleiß‑Stellen‑Nutzung um 34 % im Vergleich zum nächstbesten Modell verbessert hat.
In einer Analyse von 7.504 Probanden aus dem Genomics England 100.000‑Genomes‑Projekt berichtet das Manuskript, dass von SpliceAI2 priorisierte Varianten signifikant in phänotypisch passenden Krankheitsgenen angereichert waren, wobei 17 % mehr krankheitsassoziierte Varianten als jedes andere getestete Spleiß‑Modell bei gleichen Konfidenzschwellen identifiziert wurden und 133 überschüssige Varianten gegenüber 114 beim nächstbesten Modell bei einem festen Odds‑Ratio von 2 wiedergefunden wurden. Illumina berichtete, dass SpliceAI2 33 % mehr krankheitsrelevante Spleiß‑Varianten als das Legacy‑SpliceAI bei einem 2‑fachen Konfidenzintervall und 66 % mehr bei einem 4‑fachen Intervall fand. Etwa die Hälfte der identifizierten kryptischen Spleiß‑Varianten befand sich tief in intronischen Regionen, und das Manuskript stellt fest, dass Varianten, die mehr als 50 Basenpaare in Introns liegen, typischerweise durch Exom‑Sequenzierung übersehen würden. Laut Manuskript machten vorhergesagte splice‑verändernde Varianten 15 % der überschüssigen genetischen Belastung in der Kohorte aus.
Die im Manuskript berichtete Validierung im Populationsmaßstab basierte auf mehr als 627.000 Genomen von gnomAD, TOPMed und der UK Biobank, wobei Varianten mit den höchsten SpliceAI2‑Scores stark unterrepräsentiert waren und die Depletion fast die von proteintrunkierenden Verlust‑der‑Funktion‑Mutationen erreichte. Die proteomischen Daten der UK Biobank von 36.764 Teilnehmenden zeigten, dass Träger von höher bewerteten Varianten niedrigere Plasmaproteinspiegel aufwiesen, mit einer Pearson‑Korrelation von -0,50, der stärksten unter den bewerteten Modellen. RNA‑Sequenzierungsdaten von 5.435 Genomics England‑Teilnehmenden bestätigten Vorhersagen in Einzelfällen, darunter eine PEX1‑Donor‑Loss‑Variante, die mit einer Stäbchen-Zapfen-Dystrophie assoziiert ist, sowie eine kryptische PKD1‑Donor‑Variante, die mit zystischer Nierenerkrankung verbunden ist.
Verfügbarkeit und Lizenzierung
Illumina erklärte, dass SpliceAI2 über die Anwendungen der BioInsight‑Plattform, darunter DRAGEN Annotation, Emedgene und Illumina Connected Insights, zugänglich ist. Quellcode, trainierte Modellgewichte und vorab berechnete Vorhersagen für alle möglichen Einzel‑Nukleotid‑Varianten innerhalb menschlicher Genkörper (4 Milliarden) sowie für in menschlichen Populationen beobachtete Indels (150 Millionen) stehen über das SpliceAI2 GitHub repository und Hugging Face für akademische und nicht‑kommerzielle Forschungszwecke zur Verfügung, wobei für kommerzielle Lizenzierung ein separater Ansprechpartner besteht. Die Software wird über PyPI installiert und erfordert eine CUDA‑fähige GPU.
Laut der Dokumentation des Repositories reicht der spliceai2_summary_score von 0 bis 1, wobei empfohlene Schwellenwerte von 0,1 für hohe Sensitivität, 0,25 für ein ausgewogenes Verhältnis von Präzision und Sensitivität sowie 0,5 für hohe Präzision angegeben werden, was den SpliceAI‑Äquivalenten von 0,2, 0,5 bzw. 0,8 entspricht. Die Arbeit an SpliceAI2 wurde von Kishore Jaganathan und Kyle Farh geleitet, mit Mitarbeitenden der University of Oxford, UCSF und des New York Genome Center.












