Dass jeder Mensch dieselbe DNA besitzt, bedeutet nicht, dass Gene in allen Zelltypen auf die gleiche Weise wirken. Die Genaktivität ist weitgehend individuell, hängt vom Gewebe und dem Entwicklungsstadium der Zelle ab und ist anfällig für Störungen, die zu genetischen oder anderen Krankheiten führen können. Genau dieses Problem möchte das neue Modell von Google DeepMind, AlphaGenome 2, das im November 2026 vorgestellt wurde, lösen. Im Gegensatz zu klassischen Ansätzen arbeitet es auf der Ebene einzelner Zellen und ist in der Lage, nicht nur Sequenzen zu identifizieren, sondern auch zu erkennen, wie spezifische DNA-Abschnitte die Genaktivität in einem bestimmten zellulären Umfeld steuern.

Von der statischen Sequenz zum lebendigen Kontext der Zelle

Die Hauptaufgabe von AlphaGenome besteht darin, vorherzusagen, wie einzelne DNA-Abschnitte die Genfunktion kontrollieren. Das Genom enthält nicht nur proteinkodierende Sequenzen, sondern auch zahlreiche regulatorische Bereiche, die bestimmen, wo, wann und wie aktiv Gene eingeschaltet werden. Veränderungen in diesen Bereichen können die Leistung der Zellen beeinflussen und mit der Entstehung von Krankheiten in Verbindung stehen. Die erste Version des Modells, die ein Jahr zuvor veröffentlicht wurde, analysierte zwar mehrere Gewebe und Zelllinien gleichzeitig, berücksichtigte den biologischen Kontext jedoch nicht so präzise, wie es für eine genaue Diagnose erforderlich wäre.

Was ist neu bei AlphaGenome 2: Ein konditionales Modell unter Berücksichtigung des Zelltyps

Der entscheidende Unterschied von AlphaGenome 2 ist die Verwendung zusätzlicher Informationen über den Zelltyp, um die Besonderheiten der Genexpression in spezifischem Gewebe oder zellulärem Milieu zu berücksichtigen. In der Fachsprache der Entwickler handelt es sich um ein konditionales Modell (conditional model). Als Eingabe dienen DNA-Sequenzen von bis zu einer Million Nukleotiden und eine Beschreibung des biologischen Kontextes: Gewebe, Zelltyp oder Entwicklungsstadium. Dies ermöglicht es dem Modell, zu bewerten, wie dieselbe Sequenz die Genaktivität in verschiedenen Zellen reguliert, anstatt nur ein gemitteltes Ergebnis über alle Gewebe hinweg zu liefern.

Training mit 107 Millionen Zellprofilen

Für das Training verwendeten die Entwickler über 107 Millionen Einzelzellprofile von Menschen und Mäusen, die 68 Gewebetypen abdecken. Diese Datenmenge ermöglichte es dem Modell, subtile Unterschiede in der Genregulation zwischen verschiedenen Zellzuständen zu erfassen. AlphaGenome 2 prognostiziert verschiedene Merkmale der Genomaktivität, einschließlich der Genexpression, was Forschern ein umfassenderes Bild davon vermittelt, wie genetische Informationen in einer spezifischen Zelle umgesetzt werden.

Prognosen ohne Fine-Tuning und Atlanten als Werkzeug

Eine weitere Besonderheit von AlphaGenome 2 ist die Fähigkeit, mit zuvor unbekannten Zelltypen ohne zusätzliches Training zu arbeiten. Forscher können Einzelzell-RNA-Sequenzierungsdaten hochladen, die selbst von nur wenigen Dutzend Zellen stammen, und das Modell wandelt die Informationen über die Genaktivität in eine Beschreibung des Zellzustands für künftige Prognosen um. DeepMind gibt an, dass das Modell statische Zellatlanten – riesige Datenarchive, die einzelne Zellen detailliert katalogisieren – effektiv in einen „Mechanismus zur Vorhersage menschlicher Genetik“ verwandelt.

Zugang, Einschränkungen und klinischer Status

AlphaGenome 2 steht bereits für nicht-kommerzielle wissenschaftliche Forschung über eine API zur Verfügung, während die kommerzielle Nutzung vorerst auf einen geschlossenen Zugang beschränkt ist. Die Entwickler betonen, dass die neue Version die erste nicht ersetzt: Die detailliertere Analyse einzelner Zellzustände erfordert zusätzliche Rechenressourcen, weshalb das ursprüngliche AlphaGenome weiterhin ein weniger ressourcenintensives Werkzeug für groß angelegte Genomforschung bleiben wird. Dennoch sind diese Modelle bisher nicht für die klinische Forschung zugelassen: Experimente an Tieren sind zulässig, die Anwendung am Menschen jedoch nicht.