Google DeepMinds AlphaGenome 2 forutsier effekter av varianter i ulike celletilstander

Google DeepMind kunngjorde AlphaGenome 2 11. november 2026. Det er en modell for dyp læring som forutsier hvordan DNA-varianter påvirker genreguleringen i bestemte celletyper og celletilstander. Modellen er trent på mer enn 100 millioner profiler av enkeltceller og er tilgjengelig for ikke-kommersiell forskning, samt i en privat forhåndsvisning for kommersiell forskning.

Lanseringen tar for seg en blindflekk i genomiske modeller som analyserer vev under ett: En variant kan ha betydning bare i en spesialisert celle eller i en celle som aktiveres av sykdom, slik at signalet blir utvannet i et gjennomsnitt for hele vevet. AlphaGenome 2 betinger i stedet hver prediksjon på et valgt vev, en valgt celletype eller en valgt celletilstand, også tilstander som er utledet fra forskerens egne enkeltcelleeksperimenter.

Den tidligere AlphaGenome 1 forutsa molekylær aktivitet i brede vevskategorier, mens AlphaGenome Atlas tilbød prediksjoner for alle 9 milliarder mulige enkeltbokstavendringer i det menneskelige genomet. AlphaGenome 2 er en egen modellutgivelse, ikke en utvidelse av dette forhåndsberegnede atlaset.

En modell betinget av celleidentitet

AlphaGenome 1 genererte faste resultater for bulkvev og cellelinjer samtidig, basert på en DNA-sekvens på én million bokstaver. AlphaGenome 2 evaluerer én betingelse om gangen og tilfører denne betingelsen gjennom hele nettverket, slik at modellen kan gjengi hvordan den samme DNA-sekvensen leses forskjellig i ulike celletyper. Resultatene omfatter genuttrykk, RNA-spleising og kromatintilgjengelighet, og CpG-DNA-metylering er lagt til blant funksjonene i den opprinnelige modellen.

Den tekniske artikkelen beskriver trening på bulk- og enkeltcelledatasett fra mennesker og mus. Forskere kan legge inn enkeltcelle-RNA-seq-data fra et nytt eksperiment – et øyeblikksbilde av genaktiviteten – og en cellekoder omformer dem til en betingelse uten ytterligere finjustering. Dermed kan modellen lage prediksjoner for datasett og celletilstander den ikke har sett før.

Den samme utformingen kan også fylle inn manglende måleresultater fra eksperimenter. Med bare data om genuttrykk som utgangspunkt kan AlphaGenome 2 forutsi egenskaper som ikke er målt, for eksempel kromatintilgjengelighet – altså om DNA-segmenter er åpne for regulering – og dermed hjelpe forskere med å prioritere videre eksperimenter. Ulempen er beregningsmessig: Hver betingelse krever en egen prediksjon, noe som gjør modellen mer ressurskrevende å kjøre enn multitaskmodeller med faste spor.

Referansetester for varianter og eksempler fra sykdomsforskning

I artikkelen rapporterer DeepMind at AlphaGenome 2 i TenK10K, et immundatasett med enkeltceller som omfatter 28 celletyper, fant igjen 30 % av de antatt årsaksrelaterte variantene knyttet til genuttrykk med 90 % presisjon. Til sammenligning fant AlphaGenome 1, finjustert på enkeltcelldata, igjen 16 %. Modellen fant også riktig retning på effekten for 43 % av variantene med 90 % nøyaktighet, mot 23 %. I genomregioner som var utelatt fra treningen, forklarte modellen dessuten en medianandel på 34 % av variasjonen i genuttrykk som er spesifikk for celletyper innenfor samme vev, mot 23 % for den samme finjusterte forgjengermodellen. Disse evalueringene måler reguleringsforskjeller mellom beslektede celler, som er nettopp det den betingede arkitekturen er utformet for å håndtere.

DeepMind rapporterer også om to forskningseksempler på analyser som er spesifikke for celletilstander. I en analyse av inflammatorisk tarmsykdom identifiserte AlphaGenome 2 rs2836882 i et troverdighetssett med sju varianter, knyttet varianten til ETS2 omtrent 290 kilobaser unna og plasserte den forutsagte effekten i tarmens monocytter og makrofager. Dette gjenskapte en mekanisme som tidligere var påvist eksperimentelt. Ved hjelp av enkeltcelledata fra en studie av en mRNA-vaksine mot COVID-19, som modellen ikke hadde sett før, skilte den mellom vaksineaktiverte T-celler og hvilende T-celler. Den forutsa også en sterkere effekt for en variant knyttet til alvorlig COVID-19 i aktivert tilstand. Til sammen viser eksemplene hvordan den forutsagte effekten av en variant kan avhenge både av celletype og av cellens aktuelle tilstand.

Forhåndsberegnede ressurser og API-tilgang

DeepMind forhåndsberegnet to ressurser for forskere som ikke ønsker å utføre storskala sammenligninger selv. Den ene kartlegger koblinger mellom forsterkere og gener på tvers av 640 primære referansebetingelser for enkeltceller og 39 323 proteinkodende gener og gener for lange ikke-kodende RNA-er. Forsterkere er regulatoriske DNA-segmenter som kan virke langt unna målgenene sine. Den andre gir skårer for mer enn 6,8 millioner unike, vanlige enkeltbokstavvarianter og varianter knyttet til egenskaper på tvers av 510 menneskelige betingelser, for å identifisere mulige årsaksvarianter, målgener, effektretninger og relevante celletilstander.

Ved lanseringen var AlphaGenome 2 og Colab-veiledninger for betinging på genuttrykk tilgjengelige via AlphaGenome API for ikke-kommersiell forskning, mens kommersiell forskning var tilgjengelig i en privat forhåndsvisning. Den offisielle dokumentasjonen opplyser at ikke-kommersiell bruk av API-et er gratis, og at forespørselsgrensene varierer med etterspørselen. DeepMind planlegger også AlphaGenome 2 Skills for Google Antigravity, selskapets agentbaserte utviklingsplattform. Peter Donnelly, administrerende direktør i Genomics PLC, sa at han så fram til å innlemme AlphaGenome 2 i selskapets Mystra-plattform, og beskrev modeller for sekvensprediksjon som verktøy for å gå fra assosiasjonssignaler til informasjonen legemiddelutviklingsprogrammer trenger.

Artikkelen påpeker at AlphaGenome 2, selv med høy presisjon, bare finner igjen et mindretall av de genuttrykksrelaterte og sykdomsassosierte variantene som statistiske analyser peker ut som sannsynlig årsaksmessige. Modellen kan undervurdere effekter utenfor tilgjengelig kromatin, ved svært fjerntliggende regulatoriske elementer eller gjennom mekanismer som virker etter transkripsjonen. Forbigående tilstander, stimulerte tilstander og sykdomstilstander er fortsatt underrepresentert i treningsdataene og det forhåndsberegnede variantpanelet, og det er fortsatt vanskelig å skille mellom finmaskede underpopulasjoner av nevroner.

Disse representasjonene av betingelsene bygger på observasjonsbaserte profiler av stabil tilstand, og fanger derfor opp korrelasjoner snarere enn årsakssammenhenger. Det er fortsatt usikkert om modellen kan forutsi responser på genutslag, overuttrykk eller dynamiske overganger mellom celletilstander. DeepMind begrenser begge versjonene av AlphaGenome til forskningsbruk; ingen av dem er validert eller godkjent for klinisk bruk eller diagnostiske formål.

Den viktigste konsekvensen er en mer målrettet vei fra en sykdomsassosiasjon til en kandidatvariant, et målgeen og en celletilstand. AlphaGenome 2 kan snevre inn søket på tvers av hundrevis av betingelser, men fordi modellen ikke finner alle variantene og betrakter celletilstander ut fra korrelasjoner, er hypotesene den gir opphav til fortsatt avhengige av eksperimentell oppfølging.