AlphaGenome bringt Licht in Genregulation

Schon die erste Vorstellung von AlphaGenome vor rund einem halben Jahr weckte hohe Erwartungen. DeepMind positionierte das Modell als nächsten großen Schritt nach AlphaFold: Während AlphaFold die 3D-Struktur von Proteinen entschlüsselte, soll AlphaGenome helfen zu verstehen, wie Veränderungen einzelner DNA-Basen die Genregulation und damit Gesundheit und Krankheit beeinflussen. Ziel war es, die Lücke zwischen der Sequenz des Genoms und seiner funktionellen Bedeutung zu schließen – ein Kernproblem der modernen Genomik.

Die Nature-Publikation des Teams um Ziga Avsec und Pushmeet Kohli liefert nun die belastbaren Daten dazu. AlphaGenome ist ein einheitliches Deep-Learning-Modell, das erstmals sehr lange DNA-Sequenzen von bis zu einer Million Basenpaaren (1 Mb) verarbeiten kann und dabei gleichzeitig Vorhersagen mit Einzelbasen-Auflösung trifft. Genau hier lag bislang ein grundlegender Zielkonflikt: Modelle konnten entweder lange Sequenzen grob oder kurze Sequenzen sehr präzise analysieren – beides zugleich war kaum möglich.

Was AlphaGenome neu macht

Der zentrale Fortschritt besteht in der Kombination von Länge, Auflösung und Modalitäten. AlphaGenome sagt tausende funktionelle genomische Signale parallel voraus, darunter:

• Genexpression und Transkriptionsstart

• Chromatin-Zugänglichkeit

• Histon-Modifikationen

• Bindung von Transkriptionsfaktoren

• Chromatin-Kontaktkarten

• Spleißstellen, Spleiß-Junctions und deren Stärke

Trainiert wurde das Modell mit großen Datensätzen aus menschlichen und Mausgenomen. In Benchmarks zur Vorhersage von Varianteneffekten übertraf oder erreichte AlphaGenome in 25 von 26 Tests die jeweils besten verfügbaren Spezialmodelle. Besonders relevant für die Medizin: Das Modell kann regulatorische Varianten über alle Modalitäten hinweg gleichzeitig bewerten und reproduziert dabei bekannte Krankheitsmechanismen, etwa bei klinisch relevanten Varianten nahe dem Onkogen TAL1.

Damit wird erstmals sichtbar, wie eine einzelne genetische Veränderung mehrere Ebenen der Genregulation gleichzeitig beeinflussen kann – ein entscheidender Schritt über bisherige, stark fragmentierte Ansätze hinaus.

Konsequenzen für Forschung und Medizin: das virtuelle Labor

Schon in der frühen Berichterstattung betonten Forscher wie Caleb Lareau (Memorial Sloan Kettering Cancer Center), dass AlphaGenome bestimmte Laborversuche zumindest teilweise virtuell ersetzen könnte. Diese Einschätzung wird durch die neuen Daten untermauert. Bei genomweiten Studien entstehen häufig Listen tausender Varianten, deren funktionelle Bedeutung unklar ist. AlphaGenome erlaubt es nun, diese Varianten systematisch zu priorisieren und mechanistisch einzuordnen – deutlich schneller als mit klassischen Experimenten.

Auch für seltene Erkrankungen und die Krebsdiagnostik eröffnet sich damit eine neue Perspektive. Mutationen, die die Genexpression „im falschen Kontext“ aktivieren, lassen sich gezielter identifizieren. Prof. Dr. Julien Gagneur (Lehrstuhl für Computational Molecular Medicine, Technische Universität München) sieht darin einen wichtigen Schritt, um aus der reinen Sequenzinformation tatsächlich diagnostische und therapeutische Hinweise abzuleiten.

Einordnung und Ausblick

DeepMind selbst bleibt bei allem Hype durchaus auf dem Teppich und betont weiterhin, dass AlphaGenome nicht für individuelle Genomvorhersagen im Sinne von Direct-to-Consumer-Tests entwickelt wurde. Es liefert keine Aussagen zu Persönlichkeit oder Abstammung einzelner Menschen. Sein Wert liegt vielmehr in der systematischen Interpretation genetischer Varianten auf molekularer Ebene.

Mit der Nature-Publikation wird AlphaGenome vom vielversprechenden KI-Projekt zu einem wissenschaftlich validierten Referenzmodell. Pushmeet Kohli spricht von einem Meilenstein auf dem Weg zu umfassenderen biologischen Simulationen. Demis Hassabis’ langfristige Vision einer „virtuellen Zelle“ bleibt zwar Zukunftsmusik, doch AlphaGenome zeigt erstmals, dass die Semantik der DNA mit einem einzigen Modell in bemerkenswerter Breite und Tiefe erfassbar wird.

Damit setzt DeepMind einen neuen Standard für die funktionelle Genomik und verschiebt die Grenze dessen, was zwischen Computer und Labor heute schon möglich ist.

Quelle: Nature, publiziert am 28 January 2026. Advancing regulatory variant effect prediction with AlphaGenome

Ziga Avsec, Natasha Latysheva, Jun Cheng, Guido Novati, Kyle R. Taylor, Tom Ward, Clare Bycroft, Lauren Nicolaisen, Eirini Arvaniti, Joshua Pan, Raina Thomas, Vincent Dutordoir, Matteo Perino, Soham De, Alexander Karollus, Adam Gayoso, Toby Sargeant, Anne Mottram, Lai Hong Wong, Pavol Drotár, Adam Kosiorek, Andrew Senior, Richard Tanburn, Taylor Applebaum, …Pushmeet Kohli