AlphaGenome 2 dari Google DeepMind Memprediksi Dampak Varian pada Keadaan Sel

Google DeepMind mengumumkan AlphaGenome 2 pada 11 November 2026, sebuah model pembelajaran mendalam yang memprediksi pengaruh varian DNA terhadap regulasi gen pada berbagai jenis dan keadaan sel. Dilatih menggunakan lebih dari 100 juta profil sel individual, model ini tersedia untuk penelitian nonkomersial dan dalam pratinjau privat untuk penelitian komersial.

Rilis ini mengatasi keterbatasan model genomik yang menganalisis jaringan secara menyeluruh: suatu varian mungkin hanya berpengaruh pada sel khusus atau sel yang diaktifkan oleh penyakit, sehingga sinyalnya tersamarkan dalam nilai rata-rata jaringan. Sebaliknya, AlphaGenome 2 mengondisikan setiap prediksi pada jaringan, jenis sel, atau keadaan sel yang dipilih, termasuk kondisi yang dihasilkan dari eksperimen sel tunggal milik peneliti sendiri.

AlphaGenome 1 sebelumnya memprediksi aktivitas molekuler di berbagai jaringan luas, sementara Atlas AlphaGenome menyediakan prediksi untuk seluruh 9 miliar kemungkinan perubahan satu huruf dalam genom manusia. AlphaGenome 2 merupakan rilis model yang terpisah, bukan pengembangan dari atlas prahitung tersebut.

Model yang Dikondisikan pada Identitas Sel

AlphaGenome 1 menghasilkan keluaran tetap untuk jaringan bulk dan lini sel secara bersamaan, berdasarkan sekuens DNA sepanjang satu juta huruf. AlphaGenome 2 mengevaluasi satu kondisi pada satu waktu dan menerapkan kondisi tersebut di seluruh jaringan model, sehingga dapat merepresentasikan perbedaan cara segmen DNA yang sama dibaca pada berbagai jenis sel. Hasil prediksinya mencakup ekspresi gen, penyambungan RNA, dan aksesibilitas kromatin, serta metilasi DNA CpG yang menambah kemampuan model sebelumnya.

Makalah teknis tersebut menguraikan pelatihan menggunakan data bulk dan sel tunggal dari manusia dan tikus. Peneliti dapat memasukkan data RNA-seq sel tunggal—gambaran aktivitas gen—dari eksperimen baru, lalu encoder sel mengubahnya menjadi suatu kondisi tanpa penyetelan lanjutan. Dengan demikian, model dapat membuat prediksi untuk kumpulan data dan keadaan sel yang belum pernah ditemuinya.

Rancangan yang sama juga dapat memperkirakan hasil pengukuran eksperimen yang tidak tersedia. Dengan hanya menggunakan data ekspresi gen, AlphaGenome 2 dapat memprediksi sifat yang belum diukur, seperti aksesibilitas kromatin—apakah bentangan DNA terbuka untuk regulasi—sehingga membantu peneliti menentukan prioritas eksperimen berikutnya. Konsekuensinya adalah kebutuhan komputasi: setiap kondisi memerlukan prediksi tersendiri, sehingga model ini lebih intensif dijalankan daripada model multitugas dengan jalur tetap.

Tolok Ukur Varian dan Contoh Penyakit

Makalah DeepMind melaporkan bahwa pada TenK10K, kumpulan data imun sel tunggal yang mencakup 28 jenis sel, AlphaGenome 2 berhasil mengidentifikasi 30% varian terkait ekspresi yang diduga bersifat kausal dengan presisi 90%, dibandingkan dengan 16% untuk AlphaGenome 1 yang disetel lebih lanjut menggunakan data sel tunggal. Model ini mengidentifikasi arah dampak varian dengan benar pada 43% kasus dengan akurasi 90%, dibandingkan dengan 23%. Pada wilayah genom yang dikecualikan dari pelatihan, model ini juga menjelaskan median 34% varians ekspresi gen spesifik jenis sel di dalam jaringan, dibandingkan dengan 23% untuk pendahulunya yang sama-sama disetel lebih lanjut. Evaluasi ini mengukur perbedaan regulasi di antara sel-sel yang berkerabat, yaitu masalah yang hendak diatasi oleh arsitektur bersyarat tersebut.

DeepMind juga melaporkan dua contoh penelitian yang menganalisis keadaan spesifik sel. Dalam analisis penyakit radang usus, AlphaGenome 2 menandai rs2836882 dari sekumpulan tujuh varian kredibel, mengaitkannya dengan ETS2 yang berjarak sekitar 290 kilobasa, dan melokalisasi dampak yang diprediksi pada monosit serta makrofag usus, sehingga mereproduksi mekanisme yang sebelumnya telah dibuktikan secara eksperimental. Dengan menggunakan data sel tunggal dari studi vaksin mRNA COVID-19 yang belum pernah dijumpai model tersebut, model ini membedakan sel T yang diaktifkan oleh vaksin dari sel T yang beristirahat, serta memprediksi dampak yang lebih kuat untuk varian terkait COVID-19 parah dalam keadaan aktif. Secara keseluruhan, kedua contoh ini menunjukkan bahwa dampak varian yang diprediksi dapat bergantung pada jenis sel sekaligus keadaan sel saat itu.

Sumber Daya Prahitung dan Akses API

DeepMind menghitung lebih dahulu dua sumber daya bagi peneliti yang tidak ingin menjalankan sendiri perbandingan berskala besar. Sumber daya pertama memetakan hubungan antara penambah dan gen pada 640 kondisi referensi sel tunggal primer serta 39.323 gen pengode protein dan gen RNA nonpengode panjang; penambah adalah segmen DNA pengatur yang dapat bekerja jauh dari gen sasarannya. Sumber daya lainnya memberi skor pada lebih dari 6,8 juta varian unik satu huruf yang umum dan terkait sifat, di 510 kondisi manusia, untuk mengusulkan kemungkinan varian kausal, gen sasaran, arah dampak, dan keadaan sel yang relevan.

Saat diluncurkan, AlphaGenome 2 dan tutorial Colab tentang pengondisian ekspresi tersedia melalui API AlphaGenome untuk penelitian nonkomersial, sementara penelitian komersial masih dalam pratinjau privat. Dokumentasi resmi menyatakan bahwa penggunaan API nonkomersial gratis dan batas kueri bervariasi sesuai permintaan. DeepMind juga berencana menghadirkan AlphaGenome 2 Skills untuk Google Antigravity, platform pengembangan berbasis agen miliknya. Peter Donnelly, CEO Genomics PLC, mengatakan bahwa ia menantikan penerapan AlphaGenome 2 pada platform Mystra milik perusahaan tersebut, serta menggambarkan model prediksi sekuens sebagai alat untuk beralih dari sinyal asosiasi ke informasi yang dibutuhkan program pengembangan obat.

Makalah tersebut mengingatkan bahwa sekalipun presisinya tinggi, AlphaGenome 2 hanya berhasil mengidentifikasi kembali sebagian kecil varian terkait ekspresi dan penyakit yang menurut analisis statistik kemungkinan bersifat kausal. Model ini dapat meremehkan dampak di luar kromatin yang dapat diakses, pada elemen regulator yang sangat jauh, atau melalui mekanisme yang bekerja setelah transkripsi. Kondisi sementara, terstimulasi, dan terkait penyakit masih kurang terwakili dalam pelatihan dan panel varian yang telah dihitung sebelumnya, sementara subpopulasi neuron yang lebih terperinci masih sulit dibedakan.

Representasi kondisi tersebut berasal dari profil observasional dalam keadaan tunak sehingga menangkap korelasi, bukan hubungan kausal. Belum dapat dipastikan apakah model ini mampu memprediksi respons terhadap penghilangan gen, ekspresi berlebih, atau transisi keadaan sel yang dinamis. DeepMind membatasi kedua versi AlphaGenome untuk penggunaan riset; keduanya belum divalidasi atau disetujui untuk keperluan klinis maupun diagnostik.

Dampak utamanya adalah tersedianya jalur yang lebih terarah dari keterkaitan dengan penyakit menuju kandidat varian, gen target, dan keadaan sel. AlphaGenome 2 dapat mempersempit pencarian tersebut di ratusan kondisi, tetapi karena identifikasi variannya belum lengkap dan model ini memandang keadaan sel berdasarkan korelasi, hipotesis yang dihasilkan tetap memerlukan tindak lanjut eksperimental.