Google DeepMind stellt AlphaGenome 2 vor: KI prognostiziert die Auswirkungen von DNA-Mutationen Zelle für Zelle

Alle Zellen des menschlichen Körpers tragen dieselbe DNA in sich, doch ein Neuron, eine Herzmuskelzelle oder ein weißes Blutkörperchen lesen keineswegs dieselben Abschnitte ab. Genau diesen Unterschied möchte Google DeepMind mit AlphaGenome 2 erfassen, das am 11. November auf seinem Blog vorgestellt wurde. Das Modell prognostiziert, wie eine Veränderung der DNA die Genaktivität beeinflusst – nicht mehr nur auf der Ebene eines gesamten Gewebes, sondern für einen spezifischen Zelltyp oder Zellzustand.

Ein Modell, das Zelle für Zelle analysiert

Das im vergangenen Jahr eingeführte erste AlphaGenome verarbeitete eine Sequenz von einer Million Buchstaben und generierte auf einen Schlag Tausende von Vorhersagen für Gewebe und Zelllinien. Ein effizienter Ansatz, wie DeepMind einräumt, der jedoch die Kapazität des Modells verwässerte und nahe verwandte Zellen nur unzureichend voneinander unterscheiden konnte. AlphaGenome 2 setzt auf eine veränderte Architektur: Es arbeitet nun konditional. Man übergibt dem Modell die DNA-Sequenz sowie die gewünschte biologische Bedingung – ausgewählt aus einem Katalog von Zelltypen oder ermittelt aus einem eigenen Laborexperiment – und es liefert Vorhersagen ausschließlich für diesen spezifischen Kontext.

Das Modell wurde mit Daten von Menschen und Mäusen trainiert, darunter mehr als 107 Millionen Einzelzellprofile. Wie sein Vorgänger prognostiziert es die Genexpression, Histonmodifikationen und die Zugänglichkeit des Chromatins; neu hinzugekommen ist die DNA-Methylierung, ein laut dem Anbieter besonders gefragter Messwert. Das System versteht sich zudem darauf, unvollständige Daten zu ergänzen: Ausgehend von einer einzelnen Messung, etwa der Genaktivität, schätzt es die übrigen Parameter ab.

Anpassung an neue Zellen ohne Nachtraining

Der Aspekt, der von den durch DeepMind zitierten Forschenden am meisten hervorgehoben wird, ist die Generalisierungsfähigkeit. Ein Labor kann die Expressionsprofile von wenigen Dutzend Zellen einspeisen – beispielsweise von Immunzellen nach einer Impfung –, und das Modell nutzt diese Angaben, um die Wirkung von Varianten in genau diesem Zustand vorherzusagen, ohne neu trainiert werden zu müssen. DeepMind verweist auf ein Beispiel aus einer Studie zu einem mRNA-Impfstoff gegen Covid-19: Eine mit schweren Krankheitsverläufen assoziierte Variante beeinträchtigt die Genaktivität in aktivierten T-Zellen demnach weitaus stärker als in ruhenden Zellen.

Auf Seiten der Kennzahlen meldet der Anbieter für den Datensatz TenK10K (28 Immunzelltypen) eine Verdopplung der identifizierten ursächlichen Varianten gegenüber der ersten Version: 30 Prozent gegenüber 16 Prozent sowie 43 Prozent gegenüber 23 Prozent bei der Wirkungsrichtung auf die Gene. Zudem zeigt DeepMind, dass das Modell rein rechnerisch die Variante eines weit entfernten genetischen „Schalters“ aufspürt, der das Gen ETS2 in Darm-Makrophagen überaktiviert – ein Mechanismus, der bereits in einer publizierten Studie als Treiber chronisch-entzündlicher Darmerkrankungen identifiziert worden war.

Wer das Modell nutzen kann

AlphaGenome 2 steht ab sofort für die nicht-kommerzielle Forschung über die AlphaGenome-API mit Colab-Tutorials bereit, für die kommerzielle Forschung in einer privaten Vorabversion. DeepMind hat die Berechnungen für krankheitsassoziierte Varianten zudem bereits für Hunderte Zell- und Gewebetypen vorkalkuliert und kündigt für seine Plattform zur Agentenentwicklung, Antigravity, demnächst „AlphaGenome 2 Skills“ an. Das Unternehmen erinnert daran, dass diese Modelle weder für die Diagnostik noch für den klinischen Einsatz validiert sind.