Das Modell AlphaGenome 2 verknüpft Genetik mit einer Karte menschlicher Zellen und hilft, Krankheitsursachen aufzudecken

Das Modell AlphaGenome 2 verknüpft Genetik mit einer Karte menschlicher Zellen und hilft, Krankheitsursachen aufzudecken

Ondřej Barták
Ondřej Barták
Unternehmer und Programmierer
13. 11. 2026
5 Minuten Lesezeit · 3 Aufrufe
Das Modell AlphaGenome 2 verknüpft Genetik mit einer Karte menschlicher Zellen und hilft, Krankheitsursachen aufzudecken

Google DeepMind hat AlphaGenome 2 vorgestellt, eine neue Version eines KI-Modells, das vorhersagt, wie sich geringfügige Veränderungen der DNA auf die Funktionsweise bestimmter menschlicher Zelltypen auswirken. Es soll Wissenschaftlern dabei helfen herauszufinden, in welchen Zellen und über welche Gene sich erbliche Abweichungen in Krankheiten niederschlagen. Nach Angaben des Unternehmens findet das Modell fast doppelt so viele Varianten, die die Genaktivität verändern, wie sein Vorgänger.

Jede Zelle im Körper trägt denselben genetischen Bauplan. Eine Herzmuskelzelle aktiviert jedoch andere Gene als ein weißes Blutkörperchen, das gerade eine Infektion bekämpft. Internationale Projekte wie der Human Cell Atlas kartieren die Genaktivität in Millionen von Zellen, doch zuverlässig abzuschätzen, wie sie durch eine winzige Abweichung in der DNA beeinflusst wird, war bislang nicht möglich. Gerade solche Abweichungen sind jedoch für zahlreiche menschliche Merkmale und Krankheiten verantwortlich.

Vom Durchschnitt des gesamten Gewebes bis zur einzelnen Zelle

Das erste AlphaGenome stellte DeepMind im vergangenen Jahr vor, und im Januar dieses Jahres erschien darüber ein ausführlicher Artikel in der Fachzeitschrift Nature. Das Modell konnte anhand eines eine Million Buchstaben langen DNA-Abschnitts vorhersagen, wie sich Varianten in verschiedenen Geweben auswirken. Später ergänzte das Unternehmen es um den AlphaGenome Atlas mit Vorhersagen für alle rund 9 Milliarden möglichen Austausche eines einzelnen Buchstabens im menschlichen Genom.

Die ältere Version berechnete jedoch die Ergebnisse für Tausende Experimente gleichzeitig. Dieses Vorgehen war effizient, doch die Leistungsfähigkeit des Modells verwässerte dadurch, und feine Unterschiede zwischen verwandten Zelltypen entgingen ihm. Das Team baute die Architektur daher von Grund auf neu auf. AlphaGenome 2 konzentriert sich jeweils auf eine bestimmte Probe, also auf ein Gewebe, einen Zelltyp oder dessen momentanen Zustand, und erhält diese Information in jeder Berechnungsphase zusammen mit der DNA-Sequenz. So lernt es, wie verschiedene Zellen ein und denselben DNA-Abschnitt unterschiedlich lesen.

„Bei der Entwicklung von Medikamenten zielt man auf bestimmte Proteine und bestimmte Zelltypen ab“, erklärte Žiga Avsec, Leiter des Genomikteams bei DeepMind, gegenüber The Verge.

Das Modell wurde anhand von mehr als 100 Millionen Profilen einzelner Zellen aus 68 Geweben von Menschen und Mäusen trainiert. Es beherrscht dieselben Vorhersagen wie die ursprüngliche Version, etwa zur Genaktivität, zu Histonmodifikationen oder zur Zugänglichkeit des Chromatins, und ergänzt diese nun um die von Wissenschaftlern häufig gewünschte DNA-Methylierung. Zudem kann es fehlende Daten ergänzen. Stellt ein Forscher nur eine einzige Messung bereit, etwa zur Genaktivität in Zellen, schätzt das Modell auch Eigenschaften, die niemand gemessen hat. Das Labor kann dann besser entscheiden, welches Experiment als Nächstes durchgeführt werden soll.

In einer halben Stunde das, wonach sie anderthalb Jahre suchten

Im TenK10K-Datensatz, der 28 Typen von Immunzellen erfasst, identifizierte AlphaGenome 2 30 Prozent der Varianten, die tatsächlich für eine Veränderung der Genaktivität verantwortlich sind. Das ursprüngliche, auf Einzelzelldaten abgestimmte Modell fand lediglich 16 Prozent davon. Bei der Einschätzung, ob eine Variante die Aktivität eines Gens erhöht oder verringert, stieg die Erfolgsquote von 23 auf 43 Prozent.

Die Wissenschaftler testeten das neue Modell auch anhand einer tatsächlichen Entdeckung. Eine Studie aus dem Jahr 2024 zeigte, dass eine Variante in einem entfernten DNA-Abschnitt, der die Genaktivität steuert, zu entzündlichen Darmerkrankungen beiträgt. Dies geschieht, indem sie in den Immunzellen des Darms, den sogenannten Makrophagen, das Gen ETS2 übermäßig aktiviert. AlphaGenome 2 reproduzierte dieses Ergebnis rein am Computer. Es identifizierte den Verursacher korrekt und zeigte, dass er ETS2 gerade in Makrophagen verstärkt, während andere Zellen und Gene praktisch unverändert bleiben.

Der Immunologe und Genetiker James Lee vom Londoner Francis Crick Institute, der die ursprüngliche Untersuchung leitete, kommentierte dies gegenüber Nature knapp. Ihm zufolge gelangte das Modell innerhalb von 30 Minuten zur Antwort, während sein Team dafür 18 Monate an Experimenten benötigte.

Einige Dutzend Zellen genügen

AlphaGenome 2 kommt auch mit Zellen zurecht, die es während des Trainings nie gesehen hat, und muss dafür nicht erneut trainiert werden. Ein Wissenschaftler lädt eine Momentaufnahme der Genaktivität von nur einigen Dutzend Zellen hoch, das Modell wandelt sie in eine Beschreibung des Zellzustands um und führt auf dieser Grundlage seine Berechnungen durch. Die Ergebnisse sind DeepMind zufolge ebenso gut oder besser als bei Modellen, die speziell mit den jeweiligen Daten trainiert wurden.

„An AlphaGenome 2 hat mich begeistert, wie es sich ohne zusätzliches Training an neue Daten anpasst und selbst anhand einer kleinen Probe die Wirkung von Varianten in neu beschriebenen Zellzuständen vorhersagt“, sagte Sarah Teichmann, Mitbegründerin des Human-Cell-Atlas-Konsortiums und Professorin an der Universität Cambridge.

Dies zeigen anschaulich die Daten aus einer Studie zu einem mRNA-Impfstoff gegen Covid. Das Modell unterschied durch die Impfung aktivierte T-Lymphozyten von ruhenden T-Lymphozyten und stellte fest, dass eine mit einem schweren Krankheitsverlauf verbundene Variante die Genaktivität gerade in den aktivierten Zellen deutlich stärker beeinträchtigt. Hätten die Wissenschaftler nur Zellen im Ruhezustand untersucht, wäre ihnen dieser Effekt verborgen geblieben.

Eine Brücke zwischen Genetik und der Karte des menschlichen Körpers

Genomweite Assoziationsstudien identifizieren seit Langem Tausende Stellen in der DNA, die mit Krankheiten und körperlichen Merkmalen in Verbindung stehen. Häufig kennzeichnen sie jedoch nur einen größeren Abschnitt, woraufhin Wissenschaftler mühsam ermitteln müssen, welche konkrete Variante verantwortlich ist, auf welches Gen sie wirkt und in welcher Zelle. DeepMind hat daher im Voraus Vorhersagen für diese Varianten über Hunderte von Zell- und Gewebetypen hinweg berechnet, damit Forscher die aufwendigen Berechnungen nicht selbst durchführen müssen.

Das Modell hilft vor allem in zweierlei Hinsicht. Zum einen verknüpft es sogenannte Enhancer, also entfernte Schalter in der DNA, mit den Genen, die sie steuern. Bisherige Experimente wurden hauptsächlich an im Labor gezüchteten Kulturen durchgeführt, AlphaGenome 2 erweitert diese Karte jedoch auch auf Zellen direkt aus dem menschlichen Körper, etwa auf Astrozyten, die im Gehirn Neuronen unterstützen und schützen. Bei Merkmalen von der Körpergröße bis hin zu Typ-2-Diabetes zeigt es wiederum, welche Varianten und Zelltypen höchstwahrscheinlich daran beteiligt sind. Wenn das Modell ausreichend sicher ist, schätzt es auch ein, ob eine Variante die Genaktivität verstärkt oder dämpft.

Auch die Arzneimittelentwicklung interessiert sich für das Werkzeug. Peter Donnelly, Leiter des Unternehmens Genomics Limited, begrüßte, dass ähnliche Modelle dabei helfen, von statistischen Zusammenhängen zu dem überzugehen, was die pharmazeutische Forschung benötigt. Sein Unternehmen will AlphaGenome 2 in seine Mystra-Plattform integrieren.

Wissenschaftler aus der akademischen Forschung können das Modell für nicht kommerzielle Forschungszwecke über die AlphaGenome API nutzen, während Unternehmen es derzeit im Rahmen eines geschlossenen Vorabzugangs testen. DeepMind arbeitet mit dem Wellcome Sanger Institute an der Beschreibung weiterer Zelltypen und will das Modell bald auch auf der Entwicklerplattform Antigravity anbieten. Für die klinische Anwendung oder Diagnostik ist es bislang weder validiert noch zugelassen.

Quellen: deepmind.google, nature.com und theverge.com

Werbung

Inhalte entstehen mit Unterstützung von UpTier.

SEO und GEO auf Autopilot. Die Multiagentensysteme von UpTier schreiben und optimieren Inhalte für Suchmaschinen und KI-Antworten.

UpTier entdecken ↗

Hat Ihnen dieser Artikel gefallen?
Entdecken Sie weitere interessante Beiträge im Blog
Zurück zum Blog

Ähnliche Beiträge

Künstliche Intelligenz hat gelernt, die „Gehirne“ anderer neuronaler Netze zu lesen und umzuschreibenKünstliche Intelligenz hat gelernt, die „Gehirne“ anderer neuronaler Netze zu lesen und umzuschreiben
GPT-6 Astra konnte allein anhand der Gewichte erkennen, was andere neuronale Netze können, ihre Fehler finden und sie sogar verbessern. Eine neue Ära der KI-Programmierung von innen beginnt.
5 Min. Lesezeit
4. 11. 2026
OpenAIs künstliche Intelligenz widerlegte eine Hypothese, auf der Hunderte wissenschaftliche Arbeiten beruhenOpenAIs künstliche Intelligenz widerlegte eine Hypothese, auf der Hunderte wissenschaftliche Arbeiten beruhen
OpenAI-Modelle sollen eine Hypothese infrage gestellt haben, auf die sich Hunderte wissenschaftliche Arbeiten stützen. Halten ihre Belege der Prüfung durch unabhängige Fachleute stand?
5 Min. Lesezeit
2. 11. 2026
Anthropic startet mit dem Kauf einer von Claude für den Gründer geleiteten Biotechfirma die eigene MedikamentenentwicklungAnthropic startet mit dem Kauf einer von Claude für den Gründer geleiteten Biotechfirma die eigene Medikamentenentwicklung
Claude leitet hier nicht nur das Büro: Er hilft, Behandlungen für eine seltene Dystrophie und neue Krebstherapien zu entwickeln. Anthropic zeigt, wie KI die Medikamentenentwicklung beschleunigen soll.
6 Min. Lesezeit
29. 10. 2026
Přihlaste se k odběru našeho newsletteru
Zůstaňte informováni o nejnovějších příspěvcích, exkluzivních nabídkách, a aktualizacích.
CodedTrip

Betreiber: CodedTrip LLC, USA.

YouTube
TikTok