Google DeepMind hat am 11. November 2026 AlphaGenome 2 angekündigt und damit ein DNA-Sequenzmodell der nächsten Generation eingeführt, das vorhersagt, wie DNA-Sequenzen und ihre Variationen spezifische menschliche Zelltypen beeinflussen. Laut dem Unternehmen erhalten Wissenschaftler damit ein leistungsstarkes neues Werkzeug, um die zellulären Treiber von Krankheiten aufzudecken, indem es die Single-Cell-Biologie mit der Humangenetik verbindet und vorhersagt, wie genetische Varianten hunderte menschliche Zelltypen beeinflussen.

Die Ankündigung, verfasst von den DeepMind-Forschern Adam Gayoso, Natasha Latysheva, Pushmeet Kohli und Žiga Avsec, ist im Google DeepMind Blog verfügbar, begleitet von einem technischen Bericht (PDF).

Von einem gemeinsamen DNA-Bauplan zu zellspezifischer Genaktivität

Jede Zelle im menschlichen Körper trägt denselben DNA-Bauplan, doch jeder Zelltyp und Zustand — eine Herzmuskelzelle oder eine Immunzelle, die eine Infektion bekämpft — schaltet unterschiedliche Gene ein oder aus, um seine Aufgabe zu erfüllen. Globale Projekte wie der Human Cell Atlas kartieren diese Genexpression für Millionen von Zellen, doch DeepMind weist darauf hin, dass die Vorhersage, wie subtile DNA-Variationen die Expression in Zellen beeinflussen, weiterhin eine ungelöste Herausforderung und ein Schlüsselfaktor für menschliche Merkmale und Krankheiten ist.

Im letzten Jahr führte das Unternehmen AlphaGenome ein, ein Modell, das vorhersagt, wie DNA-Varianten die molekulare Aktivität über breite Gewebe hinweg beeinflussen; die zugrunde liegende Forschung wurde in Nature veröffentlicht. Später erweiterte das Unternehmen das Tool um AlphaGenome Atlas, eine Plattform mit Vorhersagen für alle 9 Milliarden möglichen Einzelbuchstaben-Veränderungen im menschlichen Genom. Diese Werkzeuge halfen Forschern laut DeepMind, Varianteneffekte zu priorisieren und zu interpretieren, und trieben Entdeckungen bei seltenen Krankheiten, komplexen Merkmalen und der Grundlagenbiologie voran.

Durch den Fokus von breiten Gewebsdurchschnitten auf einzelne Zelltypen und Zellzustände und eine Neugestaltung der Modellarchitektur stellt AlphaGenome 2 laut dem Unternehmen einen sprunghaften Fortschritt bei der Vorhersageleistung für Varianten dar. Es ermöglicht Forschern, Varianteneffekte in krankheitsrelevanten Zellen vorherzusagen, die in breiten Gewebemodellen übersehen würden, sowie in Zell- und Krankheitszuständen, die das Modell noch nicht gesehen hat. DeepMind berichtet, dass AlphaGenome 2 im Vergleich zum bisherigen State-of-the-Art-Modell nahezu doppelt so viele Varianten identifiziert, die die Genexpression in Zellen verändern. Das Modell wurde auf mehr als 100 Millionen Einzelzellprofilen über 68 Gewebe hinweg trainiert und verwandelt statische Zellatlanten in eine Art Vorhersage-Engine für die Humangenetik.

AlphaGenome 2 ist seit der Ankündigung für nicht-kommerzielle Forschung über die AlphaGenome API verfügbar und befindet sich in privater Vorschau für kommerzielle Forschung.

Eine konditionale Architektur für spezifische Zelltypen

Das erste AlphaGenome nahm eine DNS-Sequenz von 1 Million Buchstaben und sagte Eigenschaften über tausende Experimente aus vielen Geweben gleichzeitig voraus. Dieser parallele Ansatz verteilte die Kapazität des Modells laut DeepMind zwar effizient, machte es aber schwierig, subtile Unterschiede zwischen eng verwandten Zelltypen zu erfassen.

AlphaGenome 2 gestaltet den Umgang mit Zelltypen grundlegend neu. Statt parallel vorherzusagen, ist es ein konditionales Modell, das DNA-Effekte für jeweils eine Bedingung vorhersagt — wobei eine Bedingung als Gewebe, Zelltyp oder Zustand definiert ist. Neben der DNS-Sequenz von einer Million Buchstaben nimmt das Modell die Ziel-Biocondition an jeder Stufe seiner Architektur als Input auf. Die Bedingung kann aus einem Referenzkatalog von Zelltypen gewählt oder direkt aus dem eigenen Single-Cell-Experiment eines Wissenschaftlers über DeepMinds Zell-Encoder generiert werden. Dieses Design ermöglicht dem Modell zu lernen, wie derselbe DNA-Abschnitt in verschiedenen Zelltypen unterschiedlich gelesen wird.

Der konditionale Ansatz ermöglicht auch die Cross-Modalität-Imputation — die Vorhersage fehlender Experimentaldaten. Da das Modell den biologischen Zustand einer Zelle von ihren Ausgaben trennt, kann ein Wissenschaftler, der nur eine Messung wie die Einzelzell-Genaktivität eingibt, Vorhersagen für nicht gemessene Eigenschaften wie die Chromatin-Zugänglichkeit erhalten. Dies könne Forschern laut dem Unternehmen helfen, zu priorisieren, welche Experimente als nächstes durchgeführt werden sollten.

Das Modell wurde sowohl auf Bulk- als auch auf Single-Cell-Daten aus humanen und Maus-Proben trainiert, darunter über 107 Millionen Einzelzellprofile. Über die breiten Gewebsdurchschnitte des Originalmodells hinaus kann AlphaGenome 2 die Aktivität in spezialisierten Zellen auflösen — etwa in unterschiedlichen Herzmuskel- oder Immunzellen des Blutes — um entscheidende DNA-Varianten aufzudecken, die nur in bestimmten Zelltypen wirken. Es sagt dieselben zentralen experimentellen Messgrößen der DNA-Funktion voraus wie das ursprüngliche AlphaGenome — Genexpression, Histon-Modifikationen und Chromatin-Zugänglichkeit — und zusätzlich die DNA-Methylierung, eine laut Unternehmen häufig nachgefragte Messgröße.

Eine herausragende Fähigkeit ist laut DeepMind, dass das Modell sich direkt an neue Single-Cell-Daten anpasst, ohne neu trainiert werden zu müssen, und vorhersagt, wie DNA-Varianten in neu profilierten Zellzuständen wirken — schon aus einer kleinen Zellprobe.

State-of-the-Art-Zelltypvorhersagen und höhere Varianten-Trefferquote

DeepMind berichtet, dass AlphaGenome 2 deutlich besser darin ist, die Genregulation in spezifischen Zellen vorherzusagen, und Forschern hilft, krankheitsrelevante Varianten zu identifizieren.

Verbesserte Zelltypspezifität. In Genombereichen außerhalb seiner Trainingsdaten erklärt das Modell deutlich mehr davon, wie sich die Genexpression zwischen Zelltypen innerhalb eines Gewebes unterscheidet, und verfolgt kontinuierliche Veränderungen der Genexpression — etwa wenn menschliche blutbildende Stammzellen zu roten Blutzellen und Immunlinien heranreifen. Die Ankündigung veranschaulicht dies mit einer Heatmap der Genexpression reifender roter Blutzellen (Hämatopoese), in der die Vorhersagen von AlphaGenome 2 näher an den zeilennormalisierten, Z-score-Transformationen unterzogenen Beobachtungen liegen als die des ersten Modells, das auf Single-Cell-Daten feinabgestimmt wurde.

Verbesserte Vorhersage von Varianteneffekten. Auf dem TenK10K-Datensatz, einer großen Single-Cell-Karte von 28 primären Immunzelltypen, identifizierte AlphaGenome 2 zuverlässig nahezu doppelt so viele kausale Varianten (30 % gegenüber 16 %) und gerichtete Geneffekte (43 % gegenüber 23 %) wie das ursprüngliche, auf Single-Cell-Daten feinabgestimmte AlphaGenome und andere spezialisierte Tools. Diese Präzision helfe Forschern, übersehene Kandidatenvarianten für neue Entdeckungen zu finden, so DeepMind.

Eingrenzung krankheitsrelevanter Varianten. Eine kürzlich veröffentlichte wegweisende Studie zeigte, dass eine Variante in einem entfernt liegenden Regulationsschalter die entzündliche Darmerkrankung (IBD) antreibt, indem sie das ETS2-Gen in Darm-Immunzellen, den sogenannten Makrophagen, überaktiviert. Bei Vorhersagen über verschiedene Immunzelltypen im Darm reproduzierte AlphaGenome 2 diesen Befund computergestützt: Es grenzte die kausale Variante ein und zeigte, dass sie ETS2 selektiv in Darm-Makrophagen hochreguliert, während andere Zelltypen und Gene weitgehend unberührt bleiben.

Analyse neuer Zelltypen und Zustände ohne Neutraining

AlphaGenome 2 kann sich auf völlig neue Single-Cell-Experimente verallgemeinern, ohne neu trainiert werden zu müssen. Wissenschaftler können einen Single-Cell-RNA-seq-Schnappschuss der Genaktivität aus nur wenigen Dutzend Zellen hochladen; diese Genaktivität wird zu einer Zellzustandsrepräsentation komprimiert, die das Modell auf ungesehene Zustände konditioniert. Laut DeepMind kann AlphaGenome 2 mit Modellen mithalten, die direkt auf diesen Datensätzen trainiert oder feinabgestimmt wurden, oder diese übertreffen.

Dies ermöglicht dem Modell, Varianteneffekte und Genregulation für neue Zellzustände vorherzusagen, etwa solche, die durch Krankheit oder Impfung entstehen. In einem Beispiel unterschied AlphaGenome 2 anhand ungesehener Single-Cell-Daten aus einer Studie zu einem COVID-19-mRNA-Impfstoff impfstoffaktivierte Immun-T-Zellen von ruhenden Zellen. Es zeigte zudem, dass eine Variante, die mit schwerem COVID-19 in Verbindung gebracht wird, die Genaktivität stärker stört, wenn sich Zellen in diesem aktivierten Zustand befinden — ein Effekt, der in nicht aktivierten Zellen übersehen würde.

Eine Brücke zwischen Humangenetik und Single-Cell-Biologie

DeepMind versteht ein besseres Krankheitsverständnis als Verknüpfung von Humangenetik und Zellbiologie, die erfordert, die tausenden in genomweiten Assoziationsstudien (GWAS) gefundenen merkmals- und krankheitsassoziierten Varianten mit den wachsenden Single-Cell-Karten des menschlichen Körpers zu verbinden. Um Forschern diese Verknüpfungen zu ermöglichen, ohne selbst groß angelegte Berechnungen durchzuführen, hat das Unternehmen AlphaGenome-2-Vorhersagen für merkmalsassoziierte Varianten über hunderte humane Zell- und Gewebebedingungen vorberechnet und dabei zwei große Herausforderungen angegangen:

• Kartierung von Enhancer-Gen-Verbindungen in echten menschlichen Zelltypen. Viele krankheitsassoziierte Varianten liegen in entfernt liegenden Regulationsschaltern, den sogenannten Enhancern, was ihre Wirkung schwer nachvollziehbar macht. Da experimentelle CRISPR-Screens meist stabile, im Labor gezüchtete Zelllinien verwenden, fehlen Wissenschaftlern diese Schaltpläne oft für spezifische Zellen im menschlichen Körper. AlphaGenome 2 erweitert die Enhancer-Gen-Kartierung auf primäre menschliche Zelltypen — etwa Hirn-Astrozyten, die Neuronen unterstützen und schützen — und hilft Forschern, regulatorische Varianten mit ihren Zielgenen in den spezifischen Zellen zu verknüpfen, in denen sich die Krankheit entfaltet.
• Eingrenzung kausaler GWAS-Varianten und der Zellen, in denen sie wirken. GWAS markieren breite DNA-Abschnitte, die mit Krankheiten in Verbindung stehen, doch Forscher können die exakte kausale Variante, das Zielgen und den Zelltyp nicht immer mit hoher Sicherheit identifizieren. Über eine Reihe komplexer Merkmale, von der Körpergröße bis zu Typ-2-Diabetes, helfen AlphaGenome 2s vorberechnete Varianten-Scores dabei, die spezifischen Varianten und Zelltypen einzugrenzen, die höchstwahrscheinlich beteiligt sind. Wenn das Modell sicher ist, sagt es auch genau voraus, ob eine Variante die Aktivität eines Gens erhöht oder verringert — ein entscheidender Hinweis, so das Unternehmen, um zu verstehen, wie dieses Gen zur Krankheit beiträgt.

Der Blogbeitrag enthielt auch diese Aussage, die verdeutlicht, warum Arzneimittelentwicklungsteams DNA-Sequenzvorhersagemodelle verfolgen: "Die Humangenetik ist eines der mächtigsten Werkzeuge in der Arzneimittelentwicklung. GWAS ist dafür zentral, aber es ist schwierig, von einem Assoziationssignal zu dem zu gelangen, was ein Arzneimittelprogramm benötigt. DNA-Sequenzvorhersagemodelle sind ein wichtiges Werkzeug, um diese Lücke zu schließen, und AlphaGenome 2 stellt einen beeindruckenden Fortschritt auf diesem Gebiet dar. Wir freuen uns darauf, es in unsere Mystra-Plattform zu integrieren."

Ausblick mit der wissenschaftlichen Community

Da Wissenschaftler den menschlichen Körper zunehmend auf Einzelzellebene kartieren, erwartet DeepMind, dass KI-Modelle weiter an Leistungsfähigkeit gewinnen werden. Durch laufende Kooperationen, unter anderem mit Forschern am Wellcome Sanger Institute, arbeitet das Unternehmen daran, ein noch breiteres Spektrum menschlicher Zelltypen, Entwicklungslinien und gestörter Zellzustände zu profilieren.

AlphaGenome 2 ist zusammen mit interaktiven Colab-Tutorials für die Expressionskonditionierung für nicht-kommerzielle Forschung über die AlphaGenome API verfügbar und befindet sich in privater Vorschau für kommerzielle Forschung. DeepMind kündigte außerdem an, in Kürze AlphaGenome 2 Skills in Google Antigravity, seiner agentischen Entwicklungsplattform, zu veröffentlichen, wo spezialisierte Modelle wie AlphaGenome 2 in Kombination mit agentischen Wissenschaftstools wie Gemini 4 Forschern helfen sollen, Forschung zu beschleunigen und neue Entdeckungen zu machen.

Das Unternehmen bedankte sich bei seiner Community aus vertrauenswürdigen Testern und den vielen Forschern, die bei der Erstellung der Trainingsdatensätze geholfen haben. Es lud die Community ein, interessante AlphaGenome-2-Anwendungsfälle über ein Formular bis zum 30. November einzureichen; ausgewählte Projekte können zusätzliches Kontingent und Gutschriften erhalten. Feedback zur Gestaltung der zukünftigen Roadmap kann im Community-Forum geteilt werden.

Das Unternehmen wies darauf hin, dass AlphaGenome und AlphaGenome 2 ausschließlich für Forschungszwecke bestimmt sind und nicht für klinische oder diagnostische Zwecke validiert oder zugelassen wurden; ihre Vorhersagen sollen daher wissenschaftliche Forschung unterstützen und nicht medizinische Entscheidungen treffen.

Danksagungen

Laut dem Blogbeitrag wurde die zentrale Forschungsarbeit dank der Beiträge von Adam Gayoso, Anne Mottram, Alexander Karollus, Guido Novati, Pavol Drotár, John Reid, Laetitia Meng-Papaxanthos, Adam Kosiorek, Eirini Arvaniti, Vincent Dutordoir, Soham De, Tom Ward, Lai Hong Wong, Matteo Perino, Kyle Taylor, Jun Cheng, Natasha Latysheva, Joshua Pan, Dhavanthi Hariharan, Clare Bycroft, Lauren Nicolaisen, Demis Hassabis, Pushmeet Kohli und Žiga Avsec geleistet.

DeepMind bedankte sich außerdem bei folgenden Personen für Unterstützung und Feedback: Gabriella Stanton, Charlie Taylor, Raina Thomas, Lucas Tenório, Antonio García, Joseph Powell, Angli Xue, Trygve Bakken, Nelson Johansen, Junyue Cao, Ziyu Lu, Jacob Hepkema, Leopold Parts, Irina Voineagu, Souradeep Basu, Michal Zielinski, Jeff Cao, Ioannis Sarropoulos, Sarah Teichmann, Amanda Stafford und Eliseo Papa. Ein weiterer Dank ging an Evie Gray, Adriana Fernandez Lara, Alex Wilkins, Danielle Breen, Dimple Vijaykumar, Muinat Abdul, Chris Kwaku-Abdullahi, Kathryn Seager, Ryan Smith, Ross West und Gaby Pearl für ihre Expertise bei der Kommunikation dieser Arbeit.