Der Nobelpreisträger Hassabis hat erneut ein bahnbrechendes Meisterwerk vorgelegt: AlphaGenome 2 entschlüsselt 98 % der genetischen „Dunklen Materie“ des menschlichen Genoms.

DeepMind hat spät in der Nacht wieder ein bahnbrechendes Top-Ergebnis vorgelegt!

Gerade eben hat Nobelpreisträger Demis Hassabis persönlich die Leitung übernommen und Google DeepMind dazu geführt, das neue Grundmodell für DNA, AlphaGenome 2, offiziell vorzustellen.

Man muss wissen, dass AlphaFold, das ihn einst zu einem weltberühmten Experten machte, nur 2 % des proteinkodierenden Bereichs der menschlichen DNA entschlüsselt hat.

Der verbleibende ganze 98 % nicht kodierende Bereich wird seit langem als „Dunkle Materie“ im Genom bezeichnet. Er beherbergt nicht nur die „Regulationsschalter“, die das Ein- und Ausschalten von Genen steuern, sondern birgt auch mehr als 90 % aller krankheitsverursachenden Mutationen beim Menschen.

Diesmal hat DeepMind einen bedeutenden 78-seitigen technischen Bericht auf einmal veröffentlicht und mit AlphaGenome 2 einen Generalangriff auf diese „Dunkle Materie“ gestartet, der vier zentrale Durchbrüche mit sich bringt.

Von der Betrachtung ganzer Organe hin zur genauen Betrachtung einzelner Zellen

Das Modell hat die Daten von 68 menschlichen Gewebearten und über 107 Millionen einzelnen Zellen vollständig verarbeitet, kann die jeweiligen Reaktionen derselben DNA-Mutation in verschiedenen Zellen klar erkennen und die Erfolgsrate beim Erkennen krankheitsverursachender Mutationen gegenüber der Vorgängergeneration direkt verdoppeln.

Ohne biologische Experimente durchzuführen, werden die Ergebnisse mehrjähriger Forschung in der Zeitschrift *Nature* rein durch Berechnung reproduziert

Ohne auch nur ein einziges Reagenz zu berühren, hat das Modell die Mutation, die schwere Darmerkrankungen verursacht, präzise identifiziert und sogar genau berechnet, in welcher Art von Immunzelle die Mutation wirksam wird.

Bei unbekannten neuen Läsionen reichen Dutzende von Zellen als Eingabedaten, um sie zu verstehen

Selbst bei Läsionsproben, die das Modell noch nie zuvor gesehen hat, müssen Forscher das Modell nicht neu trainieren. Sie müssen lediglich die Sequenzdaten von Dutzenden von Zellen hochladen, um die Folgen von Mutationen schnell vorherzusagen.

Kostenloser Zugriff auf eine Bibliothek mit Millionen von Varianten, die bald in Gemini 4 integriert wird

Die offizielle Seite hat eine Bibliothek mit Wirkungswerten veröffentlicht, die Millionen von Genmutationen abdeckt. Bald wird das Modell zudem als Skills verpackt und in Google Antigravity integriert, damit es jederzeit von Gemini 4 aufgerufen werden kann.

Bis auf einzelne Zellen genau, die Erkennungsrate krankheitsverursachender Mutationen verdoppelt sich direkt

Um diese „Dunkle Materie“ des Genoms zu entschlüsseln, hat DeepMind bereits die erste Generation von AlphaGenome auf den Markt gebracht, aber sie hatte einen offensichtlichen Nachteil: Sie konnte nur grobe Vorhersagen für „ganze Organe und Gewebe“ treffen.

In einem menschlichen Gewebe sind jedoch oft Dutzende verschiedener Zellen gemischt. Wenn sie zusammen gemischt werden, kann nur ein „Durchschnittssignal“ berechnet werden, was dazu führt, dass die Merkmale weniger krankheitsverursachender Zellen leicht verdeckt werden.

Das erklärt auch ein verwirrendes Phänomen, das die Genetikwelt seit langem begleitet —

Es handelt sich um dieselbe immunbezogene DNA-Mutation: Sie erhöht die Expression des Gens IL20RA im Lungengewebe, senkt sie aber im Speiseröhrengewebe umgekehrt. Bei der Sequenzierung ganzer Organe konnte man den Grund dafür nie finden.

Erst als AlphaGenome 2 den Blick auf einzelne Zellen verengt hat, ist der dahinterstehende Grund vollständig aufgeklärt worden.

Es stellte sich heraus, dass diese Mutation in Epithelzellen die Regulationsstelle zerstört, die für die Aktivierung von Genen zuständig ist, was zu einer deutlichen Verringerung der Genexpression führt.

Im Gegensatz dazu zerstört sie in vaskulären Endothelzellen die Stelle, die für die Hemmung von Genen zuständig ist. Nach dem Verlust der Beschränkung steigt die Genexpression stattdessen stark an.

Da Epithelzellen in der Speiseröhre die Mehrheit bilden und vaskuläre Endothelzellen in der Lunge reichlicher vorhanden sind, heben sich die zwei entgegengesetzten Wirkungen gegenseitig auf, wenn der Durchschnittswert für das gesamte Organ berechnet wird.

Man erkennt leicht, dass die Erkennungsgenauigkeit des Modells stark angestiegen ist, nachdem die Vorhersagegenauigkeit auf einzelne Zellen verfeinert wurde.

Bei dem TenK10K-Benchmark-Test, der 28 Arten menschlicher Immunzellen abdeckt, konnte selbst nach einer speziellen Einzelzellen-Feinabstimmung des ersten Modells nur 16 % der krankheitsverursachenden Mutationen gefunden werden.

Im Vergleich dazu hat AlphaGenome 2 diesen Anteil nicht nur auf 30 % angehoben, sondern bei der Beurteilung, ob eine Mutation die Genaktivität verstärkt oder schwächt, auch die Genauigkeit von 23 % auf 43 % gesteigert — beide Kernindikatoren haben sich fast verdoppelt!

Sogar bei dem dynamischen Prozess, bei dem sich menschliche hämatopoetische Stammzellen schrittweise zu roten Blutkörperchen und B-Zellen differenzieren, stimmt die von ihm erstellte Heatmap der Genveränderungen vollständig mit den tatsächlichen Messergebnissen im Labor überein.

Rein durch KI-Simulation und -Berechnung, ohne Experimente Ergebnisse mehrjähriger Forschung in *Nature* reproduzieren

Wenn die Verdoppelung der Testergebnisse nur die Grundfähigkeit ist, dann ist seine Leistung bei echten schwierigen Krankheiten das, was Biologen wirklich erschüttert.

Im Jahr 2024 veröffentlichte die Zeitschrift *Nature* eine Studie über entzündliche Darmerkrankungen, die die medizinische Welt aufhorchen ließ.

Um einen krankheitsverursachenden Hinweis zu ermitteln, der im nicht kodierenden Bereich verborgen ist, hat das Forschungsteam im Labor mehrere Jahre lang hart gearbeitet und wiederholt umständliche Experimente wie CRISPR-Gen-Knockout durchgeführt.

Schließlich konnten sie nur mit Mühe nachweisen, dass eine winzige Genmutation über eine ultraweite Distanz von 290.000 Basenpaaren das Gen ETS2 übermäßig aktiviert und so schwere Darmentzündungen verursacht.

Diesmal hat das DeepMind-Team denselben DNA-Abschnitt in AlphaGenome 2 eingegeben. Dann hat das Modell ohne jemals ein einziges biologisches Experiment durchzuführen, nur durch Berechnung völlig übereinstimmende Schlussfolgerungen gezogen!

Dabei hat das Modell nicht nur unter 7 sehr ähnlichen Kandidatenstellen die krankheitsverursachende Mutation auf einen Blick erkannt, sondern auch das benachbarte, näher gelegene Gen übersprungen und das weiter entfernte ETS2 präzise lokalisiert.

Außerdem hat es das wichtige Detail berechnet, dass „diese Mutation nur in Darm-Makrophagen und Monozyten wirkt, andere Immunzellen werden fast nicht beeinflusst“.

Neben der Suche nach Krankheitsursachen ist seine Leistung auch bei den bereits zugelassenen CRISPR-Gentherapie-Zielstellen für Sichelzellenanämie sehr beeindruckend.

Das Modell hat nicht nur in den Schlüsselzellen der frühen Entwicklung roter Blutkörperchen die Regulationsstelle, die 58.000 Basenpaare voneinander entfernt liegt, präzise gefunden, sondern auch die Kernsequenz GATAA, auf die die Genbearbeitung abzielt, buchstabengetreu erkannt.

Ohne das Modell neu zu trainieren, reichen Dutzende von Zellen als Eingabe, um unbekannte Läsionen zu verstehen

In der klinischen Praxis stoßen Forscher oft auf ein praktisches Problem.

Bei vielen seltenen Krankheiten oder neu auftretenden Infektionen können nur Dutzende von Läsionszellen aus dem Patienten entnommen werden. Diese Datenmenge reicht bei weitem nicht aus, um ein großes Modell neu zu trainieren.

Um dieses Problem zu lösen, hat AlphaGenome 2 außerhalb des Hauptnetzwerks speziell einen Zellkodierer hinzugefügt.

Mit diesem Design können Forscher, egal auf welche unbekannte neue Läsion sie stoßen, nur die Sequenzdaten von Dutzenden neuer Zellen hochladen, und der Zellkodierer kann sofort die entsprechenden Merkmale des Zellzustands extrahieren.

Anschließend werden diese Merkmale direkt an das Hauptnetzwerk übermittelt. Auf diese Weise muss das gesamte große Modell nicht neu trainiert werden und kann direkt die Auswirkungen von Genmutationen in diesen neuen Zellen vorhersagen.

Um diese Fähigkeit zu überprüfen, hat das Team eine Gruppe von Gehirngewebeproben von 190 Parkinson-Patienten ausgewählt, die das Modell noch nie zuvor gesehen hat, um Tests durchzuführen.

Ohne jegliches gezielte Training hat AlphaGenome 2 41 % der krankheitsverursachenden Mutationen erfolgreich erkannt, weit mehr als das vergleichbare Modell Scooby, das speziell mit diesen Patientendaten trainiert wurde (nur 17 %).

Bei einer anderen Gruppe von Proben von COVID-19-mRNA-Impfempfängern hat es nicht nur die seltenen T-Zellen scharf erkannt, die erst nach der Auffrischimpfung aktiviert werden, sondern auch einer Spur folgend eine sehr versteckte Mutation für schwere COVID-19-Verläufe gefunden.

Die Daten zeigen, dass