Mit dem AlphaGenome Atlas will Google DeepMind die möglichen Auswirkungen von rund neun Milliarden genetischen Varianten vorhersagbar machen
Das menschliche Genom besteht aus rund drei Milliarden Basenpaaren. An praktisch jeder Position kann theoretisch eine der drei jeweils anderen DNA-Basen auftreten. So ergeben sich rund neun Milliarden mögliche einzelne Basenaustausche. Welche davon bedeutungslos sind und welche möglicherweise zu Krankheiten beitragen, lässt sich experimentell unmöglich vollständig untersuchen.
Google DeepMind versucht deshalb, diese Frage mit künstlicher Intelligenz zu beantworten. Im September 2026 stellte das Unternehmen den AlphaGenome Atlas vor: eine vorausberechnete Karte der möglichen Auswirkungen von rund neun Milliarden Einzelnukleotidvarianten. Grundlage ist das KI-Modell AlphaGenome, dessen Leistungsfähigkeit Anfang 2026 in Nature veröffentlicht wurde.
Nur ein kleiner Teil unserer DNA kodiert direkt für Proteine. Große Bereiche des Genoms steuern vielmehr, wann, wo und wie stark Gene abgelesen werden. Viele genetische Varianten, die mit Erkrankungen in Verbindung gebracht werden, liegen in diesen nichtkodierenden Bereichen. Ihre funktionelle Bedeutung ist oft schwer einzuschätzen. Eine Veränderung kann beispielsweise die Genexpression oder das RNA-Spleißen beeinflussen.
AlphaGenome analysiert DNA-Sequenzen und versucht vorherzusagen, welche biologischen Prozesse durch eine Variante verändert werden. Dazu gehören unter anderem Genexpression, Chromatinzugänglichkeit, Transkriptionsfaktorbindung und RNA-Spleißen. In der Nature-Publikation erreichte AlphaGenome bei der Vorhersage von Varianteneffekten in 25 von 26 Tests mindestens die Leistung der jeweils besten Vergleichsmodelle.
Mit dem AlphaGenome Atlas wurden die möglichen Auswirkungen praktisch jeder einzelnen Basenveränderung des menschlichen Referenzgenoms im Voraus berechnet. Damit wird aus einem KI-Modell eine Art genomisches Nachschlagewerk. Forscher können eine Variante aufrufen und prüfen, welche molekularen Prozesse nach Berechnung des Modells möglicherweise betroffen sind. Ein zusätzlicher Variant Impact Score soll helfen, besonders auffällige Varianten zu priorisieren.
Besonders relevant könnte das Verfahren für seltene genetische Erkrankungen werden. Bei Genomsequenzierungen werden häufig Varianten gefunden, deren klinische Bedeutung unklar ist. Solche Variants of Uncertain Significance sind ein bekanntes Problem der Humangenetik. AlphaGenome könnte helfen, aus vielen Varianten diejenigen herauszufiltern, die funktionell besonders plausibel erscheinen. Das Modell liefert dabei aber keine Diagnose, sondern zunächst nur eine Hypothese für weitere Untersuchungen.
Die Vorhersage eines molekularen Effekts ist nicht gleichbedeutend mit dem Nachweis einer Krankheitsursache. Wenn eine Variante beispielsweise wahrscheinlich die Expression eines Gens verändert, heißt das noch nicht automatisch, dass sie bei einem Patienten eine Erkrankung verursacht. Weitere genetische Faktoren, Gewebe, Zelltyp und Umwelteinflüsse spielen ebenfalls eine Rolle. Hinzu kommt: Die grundlegende AlphaGenome-Arbeit ist bereits in Nature publiziert, die Ergebnisse zum AlphaGenome Atlas liegen derzeit jedoch noch als Preprint vor.
Weiterführende Literatur
– Avsec Ž, Latysheva N, Cheng J et al. Advancing regulatory variant effect prediction with AlphaGenome. Nature. 2026;649:1206–1218.
– Murphy AE, Nagai M, Koo PK. Predicting non-coding variant effects with AlphaGenome. Cell Research. 2026;36:467–468.
– Google DeepMind. AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome. 8. September 2026.
– Avsec Ž et al. AlphaGenome Atlas: in silico mutagenesis of the entire human genome improves prioritization and interpretation of non-coding variants. medRxiv. 2026. Preprint.
Text: Redaktion arztCME
Bild: OpenAI für arztCME
