Google DeepMind ogłosił 11 listopada 2026 r. AlphaGenome 2, prezentując nowej generacji model sekwencji DNA, który przewiduje, jak sekwencje DNA i ich wariacje wpływają na określone typy ludzkich komórek. Według firmy model daje naukowcom potężne nowe narzędzie do odkrywania komórkowych przyczyn chorób, łącząc biologię jednokomórkową z genetyką człowieka poprzez prognozowanie, jak warianty genetyczne wpływają na setki typów ludzkich komórek.

Ogłoszenie, którego autorami są badacze DeepMind: Adam Gayoso, Natasha Latysheva, Pushmeet Kohli i Žiga Avsec, jest dostępne na blogu Google DeepMind, wraz z raportem technicznym (PDF).

Od wspólnego planu DNA do aktywności genów specyficznej dla komórek

Każda komórka ludzkiego organizmu nosi ten sam plan DNA, jednak każdy typ i stan komórki — komórka mięśnia sercowego czy komórka odpornościowa walcząca z infekcją — włącza i wyłącza różne geny, aby pełnić swoją funkcję. Globalne przedsięwzięcia, takie jak Human Cell Atlas, mapują tę ekspresję genów dla milionów komórek, ale jak zaznacza DeepMind, przewidywanie, jak subtelne wariacje DNA wpływają na ekspresję wewnątrz komórek, pozostaje nierozwiązanym wyzwaniem i jest kluczowym czynnikiem ludzkich cech i chorób.

W ubiegłym roku firma uruchomiła AlphaGenome, model przewidujący, jak warianty DNA wpływają na aktywność molekularną w szerokich tkankach, a leżące u podstaw badania opublikowano w Nature. Później rozszerzyła narzędzie o AlphaGenome Atlas, platformę zawierającą predykcje dla wszystkich 9 miliardów możliwych pojedynczych zmian liter w ludzkim genomie. Według DeepMind narzędzia te pomagają badaczom priorytetyzować i interpretować efekty wariantów, napędzając odkrycia w chorobach rzadkich, cechach złożonych i biologii podstawowej.

Przybliżając obraz od szerokich średnich tkankowych do poszczególnych typów i stanów komórek oraz przeprojektowując architekturę modelu, AlphaGenome 2 stanowi — według firmy — skokową poprawę wydajności predykcji wariantów. Umożliwia badaczom przewidywanie efektów wariantów w komórkach istotnych dla choroby, które byłyby pominięte w modelach szerokich tkanek, a także w stanach komórek i chorób, których model wcześniej nie widział. DeepMind informuje, że AlphaGenome 2 identyfikuje niemal dwa razy więcej wariantów zmieniających ekspresję genów w komórkach w porównaniu z poprzednim najnowocześniejszym modelem. Model był trenowany na ponad 100 milionach profilów pojedynczych komórek z 68 tkanek, przekształcając statyczne atlasy komórkowe w to, co firma określa jako predykcyjny silnik genetyki człowieka.

AlphaGenome 2 jest dostępny od momentu ogłoszenia do badań niekomercyjnych poprzez AlphaGenome API, a w prywatnym podglądzie do badań komercyjnych.

Warunkowa architektura zaprojektowana dla konkretnych typów komórek

Pierwsze AlphaGenome przyjmowało sekwencję DNA o długości miliona liter i przewidywało właściwości w tysiącach eksperymentów z wielu tkanek jednocześnie. Choć wydajne, jak mówi DeepMind, takie równoległe podejście rozpraszało możliwości modelu i utrudniało uchwycenie subtelnych różnic między blisko spokrewnionymi typami komórek.

AlphaGenome 2 zasadniczo przeprojektowuje sposób obsługi typów komórek. Zamiast przewidywać równolegle, jest modelem warunkowym, który przewiduje efekty DNA dla jednego warunku naraz — przy czym warunkiem jest tkanka, typ komórki lub stan. Obok sekwencji DNA o długości miliona liter model przyjmuje docelowy warunek biologiczny jako wejście na każdym etapie swojej architektury. Warunek można wybrać z katalogu referencyjnego typów komórek lub wygenerować na bieżąco z własnego eksperymentu jednokomórkowego naukowca za pośrednictwem kodera komórkowego DeepMind. Ta konstrukcja pozwala modelowi nauczyć się, jak ten sam odcinek DNA jest odczytywany różnie w różnych typach komórek.

Podejście warunkowe umożliwia także imputację między modalnościami — przewidywanie brakujących danych eksperymentalnych. Ponieważ model oddziela stan biologiczny komórki od swoich wyjść, naukowiec, który wprowadzi pojedynczy pomiar, taki jak jednokomórkowa aktywność genów, może uzyskać predykcje dla niewzmierzonych właściwości, takich jak dostępność chromatyny. Według firmy może to pomóc badaczom ustalić priorytety kolejnych eksperymentów.

Model był trenowany zarówno na danych zbiorczych, jak i jednokomórkowych z próbek ludzkich i mysich, obejmujących ponad 107 milionów profilów pojedynczych komórek. Wykraczając poza średnie tkankowe oryginalnego modelu, AlphaGenome 2 może rozróżniać aktywność w wyspecjalizowanych komórkach — takich jak odmienne komórki mięśnia sercowego czy krwiotwórcze komórki odpornościowe — co pomaga odkryć kluczowe warianty DNA działające tylko w określonych typach komórek. Model przewiduje te same podstawowe odczyty eksperymentalne funkcji DNA co oryginalne AlphaGenome — ekspresję genów, modyfikacje histonów i dostępność chromatyny — dodając przy tym metylację DNA, odczyt opisywany przez firmę jako szeroko oczekiwany.

Według DeepMind wyróżniającą zdolnością modelu jest to, że adaptuje się bezpośrednio do nowych danych jednokomórkowych bez ponownego uczenia, przewidując, jak warianty DNA działają w nowo scharakteryzowanych stanach komórek, nawet na podstawie niewielkiej próbki komórek.

Najnowocześniejsze predykcje typów komórek i wykrywanie wariantów

DeepMind informuje, że AlphaGenome 2 jest znacznie lepszy w przewidywaniu regulacji genów w konkretnych komórkach, co pomaga badaczom wskazywać warianty istotne dla chorób.

Poprawiona specyficzność typów komórek. W regionach genomu spoza danych treningowych model wyjaśnia znacznie więcej różnic w ekspresji genów między typami komórek w obrębie tkanki, śledząc ciągłe zmiany ekspresji genów — na przykład gdy ludzkie krwiotwórcze komórki macierzyste dojrzewają w czerwone krwinki i linie immunologiczne. Ogłoszenie ilustruje to mapą cieplną ekspresji genów dojrzewających czerwonych krwinek (hematopoeza), na której predykcje AlphaGenome 2 są bliższe obserwacjom znormalizowanym wierszowo (standaryzowanym Z) niż predykcje pierwszego modelu dostrajanego na danych jednokomórkowych.

Poprawiona predykcja efektów wariantów. Na zbiorze danych TenK10K, dużej jednokomórkowej mapie 28 pierwotnych typów komórek odpornościowych, AlphaGenome 2 niezawodnie zidentyfikował niemal dwa razy więcej wariantów przyczynowych (30% wobec 16%) i kierunkowych efektów genowych (43% wobec 23%) niż oryginalne AlphaGenome dostrajane na danych jednokomórkowych i inne wyspecjalizowane narzędzia. Według DeepMind ta precyzja pomaga badaczom znajdować przeoczone warianty kandydackie dla nowych odkryć.

Wskazywanie wariantów istotnych dla chorób. Ostatnie przełomowe badanie wykazało, że wariant w odległym przełączniku regulacyjnym napędza nieswoiste zapalenie jelit (IBD), nadmiernie aktywując gen ETS2 w komórkach odpornościowych jelita znanych jako makrofagi. Dokonując predykcji w różnych typach komórek odpornościowych jelita, AlphaGenome 2 odtworzył to odkrycie obliczeniowo: wyodrębnił wariant przyczynowy i pokazał, że selektywnie wzmacnia ETS2 w makrofagach jelitowych, pozostawiając inne typy komórek i geny w dużej mierze nienaruszone.

Analiza nowych typów i stanów komórek bez ponownego uczenia

AlphaGenome 2 może uogólniać na całkowicie nowe eksperymenty jednokomórkowe bez konieczności ponownego uczenia. Naukowcy mogą przesłać migawkę RNA-seq pojedynczych komórek z aktywnością genów z zaledwie kilkudziesięciu komórek; ta aktywność genów jest następnie kompresowana do reprezentacji stanu komórki, która warunkuje model na nieznanych stanach. Według DeepMind AlphaGenome 2 może dorównać lub przewyższyć modele trenowane lub dostrajane bezpośrednio na tych zbiorach danych.

Umożliwia to modelowi przewidywanie efektów wariantów i regulacji genów dla nowych stanów komórek, takich jak te powstające w wyniku choroby lub szczepienia. W jednym z przykładów, otrzymawszy nieznane dane jednokomórkowe z badania szczepionki mRNA COVID-19, AlphaGenome 2 odróżnił aktywowane szczepieniem komórki T od spoczynkowych. Ujawnił też, że wariant związany z ciężkim COVID-19 silniej zaburza aktywność genów, gdy komórki znajdują się w stanie aktywowanym — efekt, który zostałby pominięty w komórkach nieaktywowanych.

Łączenie genetyki człowieka i biologii jednokomórkowej

DeepMind przedstawia lepsze rozumienie chorób jako powiązanie genetyki człowieka z biologią komórkową, co wymaga połączenia tysięcy wariantów skojarzonych z cechami i chorobami, znalezionych w badaniach asocjacyjnych całego genomu (GWAS), z rosnącymi jednokomórkowymi mapami ludzkiego ciała. Aby pomóc badaczom tworzyć te powiązania bez samodzielnego prowadzenia dużych obliczeń, firma wstępnie obliczyła predykcje AlphaGenome 2 dla wariantów skojarzonych z cechami w setkach warunków ludzkich komórek i tkanek, adresując dwa główne wyzwania:

• Mapowanie powiązań enhancer–gen w rzeczywistych typach ludzkich komórek. Wiele wariantów związanych z chorobami znajduje się w odległych przełącznikach regulacyjnych zwanych enhancerami, co utrudnia śledzenie ich efektów. Ponieważ eksperymentalne przesiewy CRISPR wykorzystują głównie stabilne, hodowane w laboratorium linie komórkowe, naukowcy często nie dysponują tymi schematami połączeń dla konkretnych komórek ludzkiego ciała. AlphaGenome 2 rozszerza mapowanie enhancer–gen na pierwotne typy ludzkich komórek — takie jak astrocyty mózgowe, które wspierają i chronią neurony — pomagając badaczom łączyć warianty regulacyjne z ich genami docelowymi w konkretnych komórkach, w których rozwija się choroba.
• Wskazywanie przyczynowych wariantów GWAS i komórek, w których działają. GWAS wskazują szerokie odcinki DNA związane z chorobami, ale badacze nie zawsze mogą następnie z wysoką pewnością zidentyfikować dokładny wariant przyczynowy, gen docelowy i typ komórki. W przypadku wielu cech złożonych, od wzrostu po cukrzycę typu 2, wstępnie obliczone wyniki wariantów AlphaGenome 2 pomagają wskazać konkretne warianty i typy komórek najbardziej prawdopodobnie zaangażowane. Gdy jest pewny, model dokładnie przewiduje też, czy wariant zwiększa czy zmniejsza aktywność genu — według firmy kluczową wskazówkę dla zrozumienia, jak ten gen przyczynia się do choroby.

Wpis na blogu zawierał również następujące oświadczenie, odzwierciedlające, dlaczego zespoły odkrywające leki obserwują modele predykcji sekwencji DNA: „Genetyka człowieka jest jednym z najpotężniejszych narzędzi w odkrywaniu leków. GWAS odgrywa w tym kluczową rolę, ale trudno przejść od sygnału asocjacji do tego, czego potrzebuje program lekowy. Modele predykcji sekwencji DNA są ważnym narzędziem pomagającym pomóc w wypełnieniu tej luki, a AlphaGenome 2 stanowi imponujący postęp w tej dziedzinie. Nie możemy się doczekać włączenia go do naszej platformy Mystra."

Wspólne spojrzenie w przyszłość ze społecznością naukową

W miarę jak naukowcy mapują coraz więcej ludzkiego ciała na poziomie jednokomórkowym, DeepMind oczekuje, że modele AI będą nadal zyskiwać na mocy. Dzięki trwającym współpracom, w tym z badaczami z Wellcome Sanger Institute, firma pracuje nad charakteryzowaniem jeszcze szerszego spektrum ludzkich typów komórek, linii rozwojowych i zaburzonych stanów komórkowych.

AlphaGenome 2, wraz z interaktywnymi samouczkami Colab dotyczącymi warunkowania ekspresji, jest dostępny do badań niekomercyjnych poprzez AlphaGenome API oraz w prywatnym podglądzie do badań komercyjnych. DeepMind poinformował też, że wkrótce udostępni AlphaGenome 2 Skills w Google Antigravity, swojej agentowej platformie rozwojowej, gdzie wyspecjalizowane modele, takie jak AlphaGenome 2, połączone z agentowymi narzędziami naukowymi, takimi jak Gemini 4, mają pomóc naukowcom przyspieszyć badania i dokonywać nowych odkryć.

Firma podziękowała swojej społeczności zaufanych testerów oraz wielu badaczom, którzy pomogli stworzyć zbiory danych treningowych. Zaprosiła społeczność do zgłaszania ciekawych przypadków użycia AlphaGenome 2 poprzez formularz do 30 listopada; wybrane projekty mogą kwalifikować się do dodatkowych limitów i środków. Opinie kształtujące przyszłą mapę drogową można przekazywać na forum społeczności.

Firma zaznaczyła, że AlphaGenome i AlphaGenome 2 są przeznaczone wyłącznie do celów badawczych i nie zostały zwalidowane ani zatwierdzone do celów klinicznych lub diagnostycznych, co oznacza, że ich predykcje mają wspierać badania naukowe, a nie decyzje medyczne.

Podziękowania

Według wpisu na blogu kluczowe prace badawcze zostały wykonane dzięki wkładowi: Adama Gayoso, Anne Mottram, Alexandra Karollusa, Guido Novatiego, Pavola Drotára, Johna Reida, Laetitii Meng-Papaxanthos, Adama Kosiorka, Eirini Arvaniti, Vincenta Dutordoir, Sohama De, Toma Warda, Lai Hong Wong, Matteo Perino, Kyle'a Taylora, Juna Chenga, Natashy Latyshevy, Joshuy Pana, Dhavanthi Hariharan, Clare Bycroft, Lauren Nicolaisen, Demisa Hassabisa, Pushmeeta Kohliego i Žigi Avsec.

DeepMind podziękował również następującym osobom za wsparcie i opinie: Gabrielli Stanton, Charlie'emu Taylorowi, Rainie Thomas, Lucasowi Tenório, Antonio Garcíi, Josephowi Powellowi, Angli Xue, Trygve Bakken, Nelsonowi Johansenowi, Junyue Cao, Ziyu Lu, Jacobowi Hepkemie, Leopoldowi Parts, Irinie Voineagu, Souradeep Basu, Michałowi Zielinskiemu, Jeffowi Cao, Ioannisowi Sarropoulosowi, Sarah Teichmann, Amandzie Stafford i Eliseo Papa. Dodatkowo podziękował Evie Gray, Adrianie Fernandez Lara, Alexowi Wilkinsowi, Danielle Breen, Dimple Vijaykumar, Muinat Abdul, Chrisowi Kwaku-Abdullahi, Kathryn Seager, Ryanowi Smithowi, Rossowi Westowi i Gaby Pearl za ich kompetencje w komunikowaniu tych prac.