Google DeepMind kondigde op 11 november 2026 AlphaGenome 2 aan en introduceerde daarmee een DNA-sequentiemodel van de volgende generatie dat voorspelt hoe DNA-sequenties en hun variaties specifieke menselijke celtypen beïnvloeden. Volgens het bedrijf geeft het model wetenschappers een krachtig nieuwe tool om de cellulaire oorzaken van ziekten bloot te leggen, door single-celbiologie en humane genetica te verbinden en te voorspellen hoe genetische varianten honderden menselijke celtypen beïnvloeden.

De aankondiging, geschreven door DeepMind-onderzoekers Adam Gayoso, Natasha Latysheva, Pushmeet Kohli en Žiga Avsec, is te lezen op de Google DeepMind-blog, vergezeld van een technisch rapport (PDF).

Van een gedeelde DNA-blauwdruk naar celspecifieke genactiviteit

Elke cel in het menselijk lichaam draagt dezelfde DNA-blauwdruk, maar elk celtype en elke celtoestand — een hartspiercel, of een immuuncel die een infectie bestrijdt — schakelt andere genen in of uit om zijn taak te vervullen. Wereldwijde initiatieven zoals de Human Cell Atlas brengen deze genexpressie voor miljoenen cellen in kaart, maar DeepMind merkt op dat voorspellen hoe subtiele DNA-varianten de expressie in cellen beïnvloeden nog steeds een onopgeloste uitdaging is, en een belangrijke drijfveer van humane eigenschappen en ziekten.

Vorig jaar lanceerde het bedrijf AlphaGenome, een model dat voorspelt hoe DNA-varianten de moleculaire activiteit over brede weefsels beïnvloeden; het onderliggende onderzoek werd gepubliceerd in Nature. Later breidde het de tool uit met AlphaGenome Atlas, een platform met voorspellingen voor alle 9 miljard mogelijke enkele-letterwijzigingen in het humane genoom. Volgens DeepMind helpen deze tools onderzoekers om varianteffecten te prioriteren en te interpreteren, wat ontdekkingen in zeldzame ziekten, complexe eigenschappen en fundamentele biologie stimuleert.

Door in te zoomen van brede weefselgemiddelden naar individuele celtypen en celtoestanden, en door de architectuur van het model te herontwerpen, vertegenwoordigt AlphaGenome 2 wat het bedrijf een stapvooruit in voorspellende prestaties voor varianten noemt. Het stelt onderzoekers in staat om varianteffecten te voorspellen in ziekterelevante cellen die in brede-weefselmodellen gemist zouden worden, alsook in cel- en ziektetoestanden die het model nog niet eerder heeft gezien. DeepMind meldt dat AlphaGenome 2 bijna twee keer zoveel varianten identificeert die de genexpressie in cellen veranderen in vergelijking met het vorige meest geavanceerde model. Het model werd getraind op meer dan 100 miljoen individuele celprofielen verspreid over 68 weefsels, waarmee statische celatlassen worden omgezet in wat het bedrijf een voorspellende motor voor de humane genetica noemt.

AlphaGenome 2 is sinds de aankondiging beschikbaar voor niet-commercieel onderzoek via de AlphaGenome API, en in private preview voor commercieel onderzoek.

Een conditionele architectuur gebouwd voor specifieke celtypen

De eerste AlphaGenome nam een DNA-sequentie van 1 miljoen letters en voorspelde eigenschappen over duizenden experimenten uit vele weefsels tegelijk. Hoewel efficiënt, zegt DeepMind, verspreidde deze parallelle aanpak de capaciteit van het model te dun en maakte het moeilijk om subtiele verschillen tussen nauw verwante celtypen vast te leggen.

AlphaGenome 2 herontwerpt fundamenteel hoe celtypen worden behandeld. In plaats van parallel te voorspellen, is het een conditioneel model dat DNA-effecten voorspelt voor één conditie tegelijk — waarbij een conditie gedefinieerd is als een weefsel, celtype of toestand. Naast de DNA-sequentie van een miljoen letters gebruikt het model de doel-biologische conditie als input in elke fase van zijn architectuur. De conditie kan worden gekozen uit een referentiecatalogus van celtypen of direct worden gegenereerd vanuit de single-cel-experiment van een wetenschapper via de cel-encoder van DeepMind. Dit ontwerp laat het model leren hoe dezelfde DNA-stretch anders wordt gelezen over celtypen heen.

De conditionele aanpak maakt ook cross-modaliteitsimputatie mogelijk — het voorspellen van ontbrekende experimentele data. Omdat het model de biologische toestand van een cel scheidt van zijn outputs, kan een wetenschapper die één meting invoert, zoals single-cel-genactiviteit, voorspellingen krijgen voor niet-gemeten eigenschappen zoals chromatine-toegankelijkheid. Het bedrijf zegt dat dit onderzoekers kan helpen bij het prioriteren van volgende experimenten.

Het model werd getraind op zowel bulk- als single-celdata van humane en muissamples, waaronder meer dan 107 miljoen individuele celprofielen. Voorbij de bulkweefselgemiddelden van het oorspronkelijke model kan AlphaGenome 2 activiteit binnen gespecialiseerde cellen ontrafelen — zoals afzonderlijke hartspier- of bloedimmuuncellen — om cruciale DNA-varianten bloot te leggen die alleen in specifieke celtypen werken. Het voorspelt dezelfde kern-experimentele uitkomsten van DNA-functie als de oorspronkelijke AlphaGenome — genexpressie, histonmodificaties en chromatine-toegankelijkheid — en voegt daar DNA-methylering aan toe, een uitkomst die het bedrijf breed gevraagd noemt.

Een opvallende capability, volgens DeepMind, is dat het model zich direct aanpast aan nieuwe single-celdata zonder hertraining, en voorspelt hoe DNA-varianten werken in nieuw geprofileerde celtoestanden, zelfs vanuit een kleine steekproef van cellen.

State-of-the-art celtypevoorspellingen en variantterugvinding

DeepMind meldt dat AlphaGenome 2 aanzienlijk beter is in het voorspellen van generegulatie in specifieke cellen, wat onderzoekers helpt ziekterelevante varianten te lokaliseren.

Verbeterde celtypespecificiteit. Op genoomregio's buiten zijn trainingsdata verklaart het model aanzienlijk meer van hoe genexpressie verschilt tussen celtypen binnen een weefsel, en volgt het continue veranderingen in genexpressie — zoals wanneer humane bloedstamcellen rijpen tot rode bloedcellen en immuunlijnen. De aankondiging illustreert dit met een heatmap van genexpressie voor rijpende rode bloedcellen (hematopoëse), waarin de voorspellingen van AlphaGenome 2 dichter bij rij-genormaliseerde, Z-gescorede waarnemingen liggen dan die van het eerste model, dat verfijnd was op single-celdata.

Verbeterde voorspelling van varianteffecten. Op de TenK10K-dataset, een grote single-celkaart van 28 primaire immuunceltypes, identificeerde AlphaGenome 2 betrouwbaar bijna twee keer zoveel causale varianten (30% versus 16%) en directionele geneffecten (43% versus 23%) als de oorspronkelijke AlphaGenome verfijnd op single-celdata en andere gespecialiseerde tools. Deze precisie helpt onderzoekers, zegt DeepMind, om over het hoofd gezien kandidaat-varianten te vinden voor nieuwe ontdekkingen.

Lokaliseren van ziekterelevante varianten. Een recente baanbrekende studie toonde aan dat een variant in een verafgelegen regulatoire schakelaar IBD aanjaagt door het ETS2-gen te overactiveren in darm-immuuncellen die macrofagen worden genoemd. Met voorspellingen over verschillende immuunceltypes in de darm reproduceerde AlphaGenome 2 deze bevinding rekenkundig: het isoleerde de causale variant en toonde aan dat deze selectief ETS2 versterkt in darmmacrofagen, terwijl andere celtypen en genen grotendeels onaangetast blijven.

Analyseren van nieuwe celtypen en toestanden zonder hertraining

AlphaGenome 2 kan generaliseren naar volledig nieuwe single-cel-experimenten zonder hertraining. Wetenschappers kunnen een single-cell RNA-seq-momentopname van genactiviteit uploaden van slechts enkele tientallen cellen; deze genactiviteit wordt gecomprimeerd tot een celtoestandsrepresentatie die het model conditioneert op onzichtbare toestanden. Volgens DeepMind kan AlphaGenome 2 modellen evenaren of overtreffen die direct op die datasets getraind of verfijnd zijn.

Dit stelt het model in staat om varianteffecten en generegulatie te voorspellen voor nieuwe celtoestanden, zoals die welke ontstaan door ziekte of vaccinatie. In één voorbeeld onderscheidde AlphaGenome 2, gegeven onzichtbare single-celdata uit een COVID-19 mRNA-vaccinstudie, door het vaccin geactiveerde immuun-T-cellen van rustende cellen. Het onthulde ook dat een variant die gelinkt is aan ernstige COVID-19 de genactiviteit sterker verstoort wanneer cellen zich in deze geactiveerde toestand bevinden — een effect dat in niet-geactiveerde cellen gemist zou worden.

Bruggen slaan tussen humane genetica en single-celbiologie

DeepMind schetst beter ziektbegrip als een verbinding tussen humane genetica en celbiologie, die koppelingen vereist tussen de duizenden eigenschaps- en ziektengerelateerde varianten uit genoombrede associatiestudies (GWAS) en de groeiende single-celkaarten van het menselijk lichaam. Om onderzoekers deze verbindingen te laten maken zonder zelf grootschalige berekeningen uit te voeren, heeft het bedrijf AlphaGenome 2-voorspellingen vooraf berekend voor eigenschapsgerelateerde varianten over honderden humane cel- en weefselcondities, waarmee twee grote uitdagingen worden aangepakt:

• In kaart brengen van enhancer–gen-koppelingen in echte menselijke celtypen. Veel ziektengerelateerde varianten zitten in verafgelegen regulatoire schakelaars die enhancers heten, waardoor hun effecten moeilijk te herleiden zijn. Omdat experimentele CRISPR-screens meestal stabiele, in het lab gekweekte cellijnen gebruiken, missen wetenschappers vaak deze bedradingsschema's voor specifieke cellen in het menselijk lichaam. AlphaGenome 2 breidt enhancer–gen-mapping uit naar primaire menselijke celtypen — zoals hersen-astrocyten, die neuronen ondersteunen en beschermen — waardoor onderzoekers regulatoire varianten kunnen koppelen aan hun doelgenen in de specifieke cellen waar de ziekte zich ontvouwt.
• Lokaliseren van causale GWAS-varianten en de cellen waar ze werken. GWAS markeren brede DNA-stretches die gelinkt zijn aan ziekten, maar onderzoekers kunnen niet altijd met grote zekerheid de exacte causale variant, het doelgen en het celtype identificeren. Over een aantal complexe eigenschappen, variërend van lengte tot diabetes type 2, helpen de vooraf berekende variantscores van AlphaGenome 2 om de specifieke varianten en celtypen te lokaliseren die waarschijnlijk het meest betrokken zijn. Wanneer het model zeker is, voorspelt het ook nauwkeurig of een variant de activiteit van een gen verhoogt of verlaagt — een cruciale aanwijzing, zegt het bedrijf, voor het begrijpen hoe dat gen bijdraagt aan ziekte.

De blogpost bevatte ook deze uitspraak, die weergeeft waarom geneesmiddelenontwikkelingsteams DNA-sequentievoorspellingsmodellen in de gaten houden: "Humane genetica is een van de krachtigste tools in de geneesmiddelenontwikkeling. GWAS staat daarin centraal, maar het is moeilijk om van een associatiesignaal te komen naar wat een geneesmiddelenprogramma nodig heeft. DNA-sequentievoorspellingsmodellen zijn een belangrijke tool om die kloof te overbruggen, en AlphaGenome 2 vertegenwoordigt een indrukwekkende vooruitgang in het vakgebied. We kijken ernaar uit het te integreren in ons Mystra-platform."

Vooruitblik met de wetenschappelijke gemeenschap

Naarmate wetenschappers meer van het menselijk lichaam in kaart brengen op single-celniveau, verwacht DeepMind dat AI-modellen steeds krachtiger worden. Via doorlopende samenwerkingen, waaronder met onderzoekers van het Wellcome Sanger Institute, werkt het bedrijf aan het in kaart brengen van een nog breder spectrum aan menselijke celtypen, ontwikkelingslijnen en verstoorde celtoestanden.

AlphaGenome 2, samen met interactieve Colab-tutorials voor expressieconditioning, is beschikbaar voor niet-commercieel onderzoek via de AlphaGenome API en in private preview voor commercieel onderzoek. DeepMind zei ook dat het binnenkort AlphaGenome 2 Skills zal uitbrengen in Google Antigravity, zijn agentische ontwikkelplatform, waar gespecialiseerde modellen zoals AlphaGenome 2 in combinatie met agentische wetenschapstools zoals Gemini 4 wetenschappers moeten helpen onderzoek te versnellen en nieuwe ontdekkingen te doen.

Het bedrijf bedankte zijn gemeenschap van vertrouwde testers en de vele onderzoekers die hielpen de trainingsdatasets te creëren. Het nodigde de gemeenschap uit om interessante AlphaGenome 2-gebruiksscenario's in te dienen via een formulier uiterlijk 30 november; geselecteerde projecten kunnen in aanmerking komen voor extra quota en credits. Feedback om de toekomstige roadmap vorm te geven kan worden gedeeld in het communityforum.

Het bedrijf merkte op dat AlphaGenome en AlphaGenome 2 uitsluitend bedoeld zijn voor onderzoek en niet zijn gevalideerd of goedgekeurd voor klinische of diagnostische doeleinden, wat betekent dat hun voorspellingen bedoeld zijn om wetenschappelijk onderzoek te begeleiden in plaats van medische beslissingen.

Dankwoord

Volgens de blogpost is het kernonderzoek tot stand gekomen dankzij bijdragen van 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 en Žiga Avsec.

DeepMind bedankte ook de volgende personen voor steun en 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 en Eliseo Papa. Verder bedankte het bedrijf Evie Gray, Adriana Fernandez Lara, Alex Wilkins, Danielle Breen, Dimple Vijaykumar, Muinat Abdul, Chris Kwaku-Abdullahi, Kathryn Seager, Ryan Smith, Ross West en Gaby Pearl voor hun expertise bij het communiceren van dit werk.