KI-Forschung

AlphaGenome 2 erklaert Genvarianten auf Zellebene

Google DeepMind verbindet DNA-Sequenzen mit konkreten Zelltypen und Zellzustaenden. Was das Forschungsmodell leisten soll, wie der Zugang funktioniert und warum es kein Diagnosewerkzeug ist.

AI for Genomics

Was Google DeepMind offiziell veroeffentlicht hat

Google DeepMind hat AlphaGenome 2 am 11. November 2026 als naechste Generation seines DNA-Sequenzmodells angekuendigt. Es verarbeitet eine DNA-Sequenz mit bis zu einer Million Buchstaben zusammen mit einer biologischen Bedingung, etwa einem bestimmten Gewebe, Zelltyp oder Zellzustand.

Das Ziel ist, vorherzusagen, wie dieselbe DNA in unterschiedlichen Zellen gelesen wird und wie Varianten Genexpression, Chromatin-Zugaenglichkeit, Histonveraenderungen oder DNA-Methylierung beeinflussen koennen. Das Modell wurde laut Hersteller mit Daten aus menschlichen und tierischen Proben trainiert, darunter mehr als 107 Millionen einzelne Zellprofile.

Der Zugang ist bereits fuer nicht-kommerzielle Forschung ueber die AlphaGenome API moeglich. Fuer kommerzielle Forschung nennt Google eine private Vorschau. Skills fuer die agentische Forschungsplattform Google Antigravity sind angekuendigt, aber noch nicht als allgemein verfuegbar bestaetigt.

Bestaetigt sind Release-Datum, Forschungszugang und die beschriebene Modellarchitektur. Aussagen zur Genauigkeit und zum wissenschaftlichen Nutzen stammen vom Hersteller und muessen unabhaengig geprueft werden.

Wie das Zelltyp-Modell funktioniert

Das erste AlphaGenome erzeugte fuer eine DNA-Sequenz viele Ausgaben fuer unterschiedliche Gewebe parallel. AlphaGenome 2 arbeitet dagegen bedingt: Neben der Sequenz erhaelt es jeweils den gewuenschten Zelltyp oder Zellzustand als Eingabe und konzentriert seine Vorhersage auf diese Bedingung.

Forscher koennen eine Bedingung aus einem Referenzkatalog waehlen oder Daten aus einem eigenen Einzelzell-Experiment ueber einen Zell-Encoder einbringen. Google beschreibt zudem eine Cross-Modality-Imputation: Aus vorhandenen Messungen soll das Modell weitere, nicht gemessene molekulare Eigenschaften abschaetzen koennen.

Das ist eine rechnerische Vorhersage, kein biologischer Nachweis. Kandidaten, die das Modell hervorhebt, muessen mit unabhaengigen Daten und gegebenenfalls Laborexperimenten bestaetigt werden.

Welche Leistungswerte Google nennt

Auf dem TenK10K-Datensatz mit 28 primaeren Immunzelltypen identifizierte AlphaGenome 2 nach Angaben von Google 30 Prozent der kausalen Varianten, gegenueber 16 Prozent beim angepassten Vorgaengermodell und weiteren Vergleichswerkzeugen. Bei der Richtung von Geneffekten nennt der Hersteller 43 statt 23 Prozent.

Google hebt ausserdem hervor, dass das Modell Unterschiede zwischen verwandten Zelltypen besser abbilden und Varianten in krankheitsrelevanten Zellzustaenden sichtbar machen koenne, die in groben Gewebemittelwerten untergehen.

Diese Zahlen gelten fuer die beschriebenen Datensaetze, Aufgaben und Auswertungen. Sie belegen weder eine allgemeine Verdopplung der Genauigkeit noch einen direkten medizinischen Nutzen. Unabhaengige Replikationen und Vergleiche auf neuen Populationen und Messverfahren bleiben notwendig.

Herstellerangabe: Die gemeldeten Verbesserungen beziehen sich auf ausgewaehlte wissenschaftliche Benchmarks. Sie sind keine Erfolgsquote fuer Diagnosen, Therapien oder Arzneimittelentwicklung.

Zugang, Daten und klare Grenzen

Die API und interaktive Colab-Beispiele richten sich an Forschungsteams. Google stellt zudem vorberechnete Werte fuer krankheits- und merkmalsassoziierte Varianten in zahlreichen menschlichen Zell- und Gewebebedingungen bereit. Preise oder Bedingungen fuer einen spaeteren kommerziellen Regelbetrieb nennt die Ankuendigung nicht.

Google weist ausdruecklich darauf hin, dass AlphaGenome und AlphaGenome 2 nicht fuer klinische oder diagnostische Zwecke validiert oder zugelassen sind. Ergebnisse duerfen deshalb nicht als individuelle Diagnose, Risikobewertung oder Therapieempfehlung behandelt werden.

Offen bleibt auch, wie stabil Vorhersagen fuer seltene Zellzustaende, unterrepraesentierte Populationen und Daten aus anderen Laborprotokollen sind. Trainingsdaten, Messfehler und die Auswahl biologischer Bedingungen koennen die Ausgabe beeinflussen.

Warum AlphaGenome 2 fuer das KI-Oekosystem relevant ist

AlphaGenome 2 zeigt eine wichtige Entwicklung jenseits allgemeiner Chatmodelle: spezialisierte Modelle verbinden grosse biologische Datensaetze mit einer klar begrenzten wissenschaftlichen Aufgabe. Der Wert entsteht nicht durch Textproduktion, sondern durch priorisierte, pruefbare Hypothesen.

Die geplante Verbindung mit Antigravity deutet zudem auf agentische Forschungsketten hin. Ein Agent koennte Literatur, Variantenlisten und Modellvorhersagen zusammenfuehren und naechste Analysen vorschlagen. Bestaetigt ist bislang nur die Ankuendigung entsprechender Skills, nicht deren allgemeine Verfuegbarkeit oder Leistungsfaehigkeit.

Fuer allgemeine KI-Leser ist der Release deshalb ein Beispiel dafuer, wie Foundation-Modelle in Fachmodellen aufgehen: weniger universell, dafuer mit fachspezifischen Daten, Ausgaben und Validierungsanforderungen.

Worauf Forschungsteams bei Tests achten sollten

Ein sinnvoller Test beginnt mit Varianten, Zelltypen und Messwerten, deren biologische Einordnung bereits bekannt ist. Modellvorhersagen sollten vorab definierte Vergleichswerte, eine blinde Auswertung und eine klare Trennung zwischen Exploration und Bestaetigung erhalten.

Neben Trefferquoten zaehlen Kalibrierung, Fehlalarme, Populationstransfer und Reproduzierbarkeit. Auch negative Ergebnisse sollten dokumentiert werden, damit ausgewaehlte Erfolgsgeschichten nicht den Gesamteindruck verzerren.

Bei menschlichen Genom- und Einzelzelldaten sind Datenschutz, Einwilligung, Zweckbindung und Zugriffsrechte zentral. Sensible Rohdaten sollten nur in dafuer freigegebenen Umgebungen verarbeitet werden; ein API-Zugang ersetzt keine Datenfolgenabschaetzung.

  • Vorhersagen gegen unabhaengige Daten und bekannte Varianten pruefen
  • Herstellerbenchmarks nicht als klinische Genauigkeit interpretieren
  • Fehlalarme, Kalibrierung und Populationstransfer mitmessen
  • Explorative Hypothesen sichtbar von bestaetigten Befunden trennen
  • Genomdaten nur mit passenden Einwilligungen und Zugriffskontrollen verarbeiten
Transparent belegt

Quellen und weiterführende Informationen

Die Quellen wurden zu den jeweils angegebenen Zeitpunkten abgerufen. Externe Inhalte können sich danach ändern.

  1. AlphaGenome 2: Deciphering how cells read DNA to better understand diseaseGoogle DeepMind · abgerufen am
    Quelle öffnen
  2. AlphaGenome: AI for better understanding the genomeGoogle DeepMind · abgerufen am
    Quelle öffnen
Redaktioneller Hinweis

Dieser Beitrag wurde von der MindrAils Redaktion quellenbasiert eingeordnet. Er dient der allgemeinen Information und ersetzt keine Rechts-, Datenschutz- oder Fachberatung für einen konkreten Einzelfall.

Zurück zu allen Insights
Vom Wissen zur Anwendung

Wo kann KI in Ihrem Unternehmen konkret entlasten?

In der kostenlosen Business-Analyse betrachten wir Ihre Abläufe, Engpässe und realistischen Automatisierungspotenziale.