Google DeepMinds AlphaGenome 2 förutsäger effekter av varianter i olika celltillstånd

Google DeepMind tillkännagav AlphaGenome 2 den 11 november 2026. Det är en djupinlärningsmodell som förutsäger hur DNA-varianter påverkar genregleringen i enskilda celltyper och celltillstånd. Modellen har tränats på mer än 100 miljoner individuella cellprofiler och är tillgänglig för icke-kommersiell forskning samt i en privat förhandsversion för kommersiell forskning.

Lanseringen åtgärdar en blind fläck i genomiska modeller som omfattar hela vävnader: en variant kan ha betydelse enbart i en specialiserad cell eller i en cell som aktiverats av sjukdom, vilket gör att signalen späds ut i ett vävnadsgenomsnitt. AlphaGenome 2 villkorar i stället varje förutsägelse utifrån en vald vävnad, celltyp eller ett valt celltillstånd, även sådana villkor som genereras från en forskares eget encellsförsök.

Den tidigare AlphaGenome 1 förutsade molekylär aktivitet i ett brett urval av vävnader, medan AlphaGenome Atlas erbjöd förutsägelser för alla 9 miljarder möjliga förändringar av en enskild bokstav i det mänskliga genomet. AlphaGenome 2 är en separat modellversion, inte en utvidgning av det förberäknade atlaset.

En modell som villkoras utifrån cellidentitet

AlphaGenome 1 genererade fasta utdata för bulkvävnader och cellinjer samtidigt, utifrån en DNA-sekvens på en miljon bokstäver. AlphaGenome 2 utvärderar ett villkor i taget och förmedlar det genom hela nätverket, vilket gör att modellen kan återge hur samma DNA-segment läses på olika sätt i olika celltyper. Modellens utdata omfattar genuttryck, RNA-splitsning och kromatintillgänglighet, och den ursprungliga modellens funktioner har utökats med DNA-metylering av CpG.

Den tekniska artikeln beskriver träning på bulk- och encellsdata från människor och möss. Forskare kan tillhandahålla encells-RNA-seq-data från ett nytt försök, det vill säga en ögonblicksbild av genaktiviteten, och en cellkodare omvandlar dem till ett villkor utan ytterligare finjustering. Det gör det möjligt att göra förutsägelser för datauppsättningar och celltillstånd som modellen inte har sett tidigare.

Samma utformning kan fylla i saknade experimentella mätvärden. Med enbart genuttrycksdata som underlag kan AlphaGenome 2 förutsäga egenskaper som inte har mätts, till exempel kromatintillgänglighet – det vill säga om DNA-sträckor är öppna för reglering – och därmed hjälpa forskare att prioritera efterföljande försök. Avvägningen gäller beräkningsresurser: varje villkor kräver en separat förutsägelse, vilket gör modellen mer beräkningskrävande att köra än modeller med flera uppgifter och fasta spår.

Riktmärken för varianter och exempel på sjukdomar

I DeepMinds artikel rapporteras att AlphaGenome 2 i TenK10K, en encellsbaserad immundatauppsättning med 28 celltyper, identifierade 30 % av de presumtivt kausala, uttryckskopplade varianterna med 90 % precision. Motsvarande andel var 16 % för AlphaGenome 1, finjusterad på encellsdata. Modellen fastställde riktningen på variantens effekt korrekt i 43 % av fallen med 90 % noggrannhet, jämfört med 23 %. I genomregioner som uteslutits från träningen förklarade modellen också en median på 34 % av variationen i genuttryck som är specifik för celltyp inom en vävnad, jämfört med 23 % för samma finjusterade föregångare. Dessa utvärderingar mäter regleringsskillnader mellan närbesläktade celler, vilket är det problem som den villkorade arkitekturen är utformad för att hantera.

DeepMind redovisar också två forskningsfall med celltillståndsspecifika analyser. I en analys av inflammatorisk tarmsjukdom pekade AlphaGenome 2 ut rs2836882 ur en uppsättning av sju trovärdiga varianter, kopplade den till ETS2 på cirka 290 kilobass avstånd och lokaliserade den förutsagda effekten till monocyter och makrofager i tarmen. Därmed återskapade modellen en mekanism som tidigare hade fastställts experimentellt. Med encellsdata från en studie av ett covid-19-mRNA-vaccin, som var nya för modellen, skilde den mellan vaccinaktiverade T-celler och vilande T-celler och förutsade en starkare effekt för en variant kopplad till svår covid-19 i det aktiverade tillståndet. Tillsammans visar exemplen hur en variants förutsagda effekt kan bero både på celltyp och på det aktuella celltillståndet.

Förberäknade resurser och API-åtkomst

DeepMind förberäknade två resurser för forskare som inte själva vill göra jämförelser i stor skala. Den ena kartlägger kopplingar mellan enhancers och gener i 640 primära encellsreferenstillstånd och 39 323 proteinkodande gener och gener för långa icke-kodande RNA. Enhancers är regulatoriska DNA-segment som kan verka långt från sina målgener. Den andra poängsätter mer än 6,8 miljoner unika vanliga varianter och varianter kopplade till egenskaper, där varje variant motsvarar en förändring av en enskild bokstav, i 510 mänskliga tillstånd. Syftet är att identifiera möjliga kausala varianter, målgener, effektens riktning och relevanta celltillstånd.

Vid lanseringen var AlphaGenome 2 och Colab-handledningar om uttryckskonditionering tillgängliga via AlphaGenome API för icke-kommersiell forskning, medan kommersiell forskning erbjöds i en privat förhandsversion. I den officiella dokumentationen står det att icke-kommersiell användning av API:t är kostnadsfri och att frågefrekvensen varierar med efterfrågan. DeepMind planerar också AlphaGenome 2 Skills för Google Antigravity, företagets plattform för agentbaserad utveckling. Genomics PLC:s vd Peter Donnelly sade att han såg fram emot att införliva AlphaGenome 2 i företagets Mystra-plattform och beskrev modeller för sekvensförutsägelser som verktyg för att gå från associationssignaler till den information som läkemedelsutvecklingsprogram behöver.

I artikeln påpekas att AlphaGenome 2, trots hög precision, bara hittar en minoritet av de uttryckskopplade och sjukdomsassocierade varianter som statistiska analyser pekar ut som sannolikt kausala. Modellen kan underskatta effekter utanför den tillgängliga kromatinen, vid mycket avlägsna regulatoriska element eller genom mekanismer som verkar efter transkriptionen. Övergående tillstånd, stimulerade tillstånd och sjukdomstillstånd är fortfarande underrepresenterade i träningsmaterialet och den förberäknade variantpanelen, och det är fortfarande svårt att skilja mellan neuronala underpopulationer på fin nivå.

Representationerna av dessa tillstånd bygger på observationsdata från profiler i jämvikt och fångar därför samband snarare än orsakssamband. Det är fortfarande osäkert om modellen kan förutsäga reaktioner på genutslagning, överuttryck eller dynamiska övergångar mellan celltillstånd. DeepMind begränsar båda versionerna av AlphaGenome till forskningsbruk; ingen av dem har validerats eller godkänts för kliniska eller diagnostiska ändamål.

Den viktigaste följden är en mer målinriktad väg från en sjukdomsassociation till en kandidatvariant, en målgene och ett celltillstånd. AlphaGenome 2 kan begränsa sökningen bland hundratals tillstånd, men eftersom modellen inte hittar alla varianter och bara visar korrelationer mellan celltillstånd är hypoteserna den genererar fortfarande beroende av experimentell uppföljning.