DeepMinds AlphaGenome Atlas sagt alle 9 Milliarden Möglichkeiten voraus, menschliche DNA zu verändern

Google DeepMind hat eine Datenbank veröffentlicht, die vorhersagt, was nahezu jede mögliche Einzelbuchstaben-Änderung der menschlichen DNA wahrscheinlich bewirkt, rund neun Milliarden davon, vorab berechnet über Hunderte Zell- und Gewebetypen hinweg. Das Unternehmen nennt sie AlphaGenome Atlas und beschreibt sie als „den umfassendsten Katalog dazu, wie genetische Mutationen die Molekularbiologie beeinflussen". Sie ist für die akademische Forschung kostenlos nutzbar, und sie existiert, weil das Ausführen des zugrunde liegenden Modells Variante für Variante zum Engpass geworden war.

Zum Weiterlesen: Anthropic sagt, Claude habe ein CRISPR-ähnliches Enzymsystem in Phagen-DNA entdeckt · Google DeepMind gründet ein Institut, um über AGI zu streiten, bevor sie da ist.

Das menschliche Genom ist etwa drei Milliarden Basenpaare lang. Jede Position kann sich grundsätzlich in einen von drei anderen Buchstaben ändern, was sich zu mehr als neun Milliarden möglichen Einzelnukleotid-Varianten multipliziert. Die meisten wurden nie bei einem lebenden Menschen beobachtet, und für die überwiegende Mehrheit ist unbekannt, ob eine gegebene Änderung harmlos oder der Auslöser einer Krankheit ist. Atlas ist DeepMinds Versuch, diesen Leerraum rechnerisch zu füllen, indem jeder möglichen Änderung eine Vorhersage zugewiesen wird, wie sie die Regulation benachbarter Gene beeinflusst.

DeepMind veröffentlichte die Details in einem Unternehmensblogbeitrag und einem begleitenden Google-Blog am 8. September 2026, zusammen mit einem Preprint auf bioRxiv und Berichterstattung in Nature. Der Atlas ist ein Datensatz von einem Petabyte, mehr als 30-mal so groß wie die AlphaFold-Proteinstruktur-Datenbank, die DeepMind 2021 veröffentlichte.

Von einer Abfrage nach der anderen zu einer durchsuchbaren Karte

Atlas basiert auf AlphaGenome, einem KI-Modell, das DeepMind 2025 veröffentlichte. Gegeben einen DNA-Abschnitt von bis zu einer Million Buchstaben Länge sagt AlphaGenome voraus, wie stark ein Gen abgelesen wird, ob regulatorische Proteine an die Sequenz binden können und wie das Transkript des Gens zusammengespleißt wird. Es wurde für Forscher entworfen, die eine konkrete Variante in der Hand hatten und wissen wollten, was sie bewirken könnte. Was fehlte, war eine Möglichkeit, das gesamte Genom auf einmal zu betrachten.

Um Atlas zu bauen, ließ DeepMind AlphaGenome über ein Referenz-Menschgenom laufen und verglich jede Referenzbase mit jeder der drei Alternativen, wobei die Antworten vorab berechnet statt auf Anfrage geliefert wurden. Jede Variante ist mit durchschnittlich etwa 27.000 Einzelvorhersagen verknüpft, genug Detail, um nützlich zu sein, und viel zu viel, um direkt gelesen zu werden. Also baute das Team zusätzlich eine zusammenfassende Kennzahl, den AlphaGenome Variant Impact Score, kurz AVI.

AVI faltet AlphaGenomes Vorhersagen mit AlphaMissense, einem früheren DeepMind-Modell für proteinverändernde Varianten, und mit Maßen dafür zusammen, wie stark eine DNA-Stelle über die Evolution hinweg konserviert wurde. Das Ergebnis ist eine einzige Zahl. Ein AVI von 10 ordnet eine Variante unter den 10 Prozent mit der größten Wirkung im Genom ein; ein AVI von 30 ordnet sie unter der stärksten von tausend ein. Entscheidend ist, dass der Wert sowohl für die rund 2 Prozent des Genoms funktioniert, die für Proteine kodieren, als auch für die 98 Prozent, die es nicht tun, die nicht kodierenden Regionen, die die Genaktivität orchestrieren und die meisten der mit häufigen Merkmalen verbundenen Varianten beherbergen.

DeepMind bewertete außerdem mehr als 100 Millionen kurze Insertionen und Deletionen, die in Populationsdatenbanken beobachtet wurden, darunter die UK Biobank und das All-of-Us-Programm der US-amerikanischen National Institutes of Health, womit das Tool über Einzelbuchstaben-Substitutionen hinaus erweitert wird.

Ein Fall seltener Krankheit und ein Benchmark

Der konkreteste Beleg für Atlas stammt aus einer Zusammenarbeit mit dem GREGoR-Konsortium, das ungelöste seltene genetische Krankheiten untersucht. Forscher am Broad Institute, Laura Covill und Anne O'Donnell-Luria, nutzten AVI, um Fälle erneut zu prüfen, die die Genomsequenzierung nicht hatte lösen können. Bei einem Kind mit epileptischer Enzephalopathie, einer schweren Form der Epilepsie, hob der Wert eine zuvor übersehene Variante im Gen DNM1 an die Spitze der Kandidatenliste.

Der Mechanismus, den das Modell vorschlug, war spezifisch: Die Variante erzeugte eine falsche Spleißstelle, einen Fehler in den zellulären Anweisungen zum Zusammenbau eines Proteins, der dazu führte, dass das Protein um 13 Aminosäuren verlängert wurde. Die Wirkung zeigte sich nur in einer im Gehirn exprimierten Version des Gens, weshalb eine frühere Sequenzierung von Blutproben leer ausgegangen war. Laborexperimente bestätigten die Vorhersage, und die Variante wurde als wahrscheinlich pathogen neu eingestuft.

DeepMind berichtete außerdem von einem retrospektiven Test an Fällen, die das Konsortium bereits gelöst hatte. AVI platzierte die bekannte ursächliche Variante in 29,5 Prozent der Fälle unter den Top-50-Kandidaten eines Patienten, gegenüber 12,5 Prozent für CADD, eine etablierte Ranking-Methode. Eine zweite Zusammenarbeit mit Gareth Hawkes von der University of Exeter wandte Atlas auf Ganzgenomdaten von mehr als 54.000 Teilnehmern der UK Biobank an. Das Gruppieren von Varianten nach ihrer vorhergesagten molekularen Wirkung ergab 22 Prozent mehr Assoziationen zwischen seltenen nicht kodierenden Varianten und zirkulierenden Proteinspiegeln als eine konventionelle Analyse und verengte in einem Fall eine interessante Region von 526 Kandidatenvarianten auf vier.

Was es nicht leistet

DeepMind achtet in seinen eigenen Materialien sorgfältig darauf, die Aussagen einzugrenzen. AVI ist ein Forschungsinstrument, kein diagnostisches; das Unternehmen merkt an, dass die Vorhersagen nicht für den klinischen Einsatz validiert oder zugelassen sind und nur einen Teil der Belege hinter einer Diagnose bilden können. AlphaGenomes Wissenschaftsleiter Žiga Avsec sagte, das Modell funktioniere für einige Klassen von Varianten gut (etwa jene, die Spleißen oder Promotoren betreffen), könne aber andere verfehlen, insbesondere in Enhancern, und die Vorhersagen seien insgesamt nicht so genau wie AlphaFolds Proteinstruktur-Ergebnisse. Forscher sollten sie nicht als „die universelle Wahrheit" behandeln, sagte er zu Fortune.

Es gibt auch strukturelle Grenzen. Der Atlas deckt nicht jeden Zelltyp ab und erfasst Effekte, die direkt auf die DNA wirken, statt jene, die indirekt über Änderungen der Spiegel anderer regulatorischer Proteine wirken. Diese Einschränkungen sind nicht DeepMind-spezifisch; sie sind die Gestalt des Problems in der computergestützten Genomik, wo eine Vorhersage als Priorisierungswerkzeug wirklich nützlich sein kann, ohne experimentelle Arbeit zu ersetzen.

Die kommerzielle Rahmung ist erwähnenswert. Atlas ist für nichtkommerzielle Nutzung über DeepMinds Website kostenlos, doch kommerzielle Nutzung läuft über Google Cloud, und DeepMind erklärte, sein Schwesterunternehmen Isomorphic Labs, das KI auf die Arzneimittelentwicklung anwendet, bräuchte ebenfalls eine kommerzielle Lizenz. Das ist dasselbe Muster, das das Unternehmen bei anderen Wissenschaftsmodellen verfolgt hat: die Forschung veröffentlichen, das Basismodell breit für akademische Arbeit anbieten und die Enterprise-Stufe monetarisieren. Für akademische Labore ohne große Rechenbudgets bedeutet das praktisch, dass eine Ressource, die ein Petabyte an Vorhersagen erzeugt, nun eine Website-Abfrage statt eines Trainingslaufs ist.

Warum das mehr als eine Datenbank ist

Die Bedeutung von Atlas liegt weniger in einem einzelnen Gen als in der Veränderung der Methode, die es verkörpert. Die Genetik war stets durch die Kosten dessen begrenzt, herauszufinden, was eine Variante bewirkt: Ein Forscher, der vermutete, eine Mutation könnte von Bedeutung sein, musste sie identifizieren, ein Experiment entwerfen und durchführen, weshalb die meisten der neun Milliarden möglichen Varianten nie in einem Labor untersucht werden. Eine KI-Vorhersage für alle vorab zu berechnen, ersetzt diese Evidenz nicht, verändert aber den Ausgangspunkt der Suche, von einer ungeordneten Liste zu einer nach wahrscheinlicher Wirkung sortierten.

Der Vergleich mit AlphaFold ist lehrreich, aber unvollkommen. AlphaFold sagte Proteinstrukturen mit einer Genauigkeit voraus, die experimentelle Bestätigung weitgehend bestätigend machte; das Strukturvorhersage-Problem hat eine objektive Antwort, die geprüft werden kann. Die Vorhersage von Variantenwirkungen ist unordentlicher. Dieselbe DNA-Änderung kann in einem Gewebe von Bedeutung sein und in einem anderen nicht, und ihre Konsequenz hängt oft von anderen Genen, von der Umwelt und vom Entwicklungszeitpunkt ab. Ein Modell, das eine Spleißstörung vorhersagt, kann beim Mechanismus richtig liegen und dennoch falsch damit liegen, ob sie eine Krankheit verursacht. Deshalb beschreiben DeepMinds eigene Forscher Atlas als Mittel zur Priorisierung statt zum Schlussfolgern, und deshalb wird die klinische Gemeinschaft es voraussichtlich noch geraume Zeit als Hypothesengenerator behandeln.

Es gibt auch eine Governance-Frage. Atlas ist für akademische Nutzung kostenlos, aber für kommerzielle Arbeit hinter Google Cloud gesperrt, und DeepMinds Schwester Isomorphic Labs unterliegt derselben Lizenzierung. Diese Struktur konzentriert eine mächtige wissenschaftliche Ressource innerhalb des Ökosystems eines einzigen Unternehmens, in einem Moment, in dem der Zugang zu genomischen Daten großen Maßstabs ohnehin ungleich verteilt ist. DeepMind hat das Modell und einen Preprint veröffentlicht, was mehr Offenheit ist, als ein rein proprietäres Tool bieten würde, doch die Trainingsdaten und die kommerziellen Bedingungen sind nicht vollständig öffentlich. Forscher, die auf Atlas aufbauen, sollten verstehen, was sie mit den Ergebnissen tun können und was nicht, und was passiert, wenn sich die Lizenz ändert.

Das hat eine sich verstärkende Qualität. Jedes Experiment, das eine Vorhersage bestätigt oder ihr widerspricht, wird zu Daten, die das nächste Modell verbessern können, und jeder Forscher, der Atlas nutzt, erzeugt einen Fall, aus dem künftige Versionen lernen können. DeepMinds eigene Rahmung führt die Idee auf AlphaFold zurück, dessen Datenbank mit mehr als 200 Millionen Proteinstrukturen von Millionen Nutzern abgerufen wurde und die Art und Weise verändert hat, wie Strukturbiologie betrieben wird.

Hier ist eine vernünftige Skepsis angebracht. KI-Vorhersagen neigen dazu, autoritativ zu klingen und zugleich auf schwer erkennbare Weise falsch zu sein, und eine Datenbank, die Varianten nach einer einzigen Kennzahl ordnet, läuft Gefahr, als definitiver behandelt zu werden, als sie ist. Die AVI-Benchmark-Ergebnisse (CADD bei den berichteten Aufgaben zu schlagen, aber nicht bei allen) sind ermutigend statt schlüssig. Der Wert des Tools wird nicht durch die Launch-Berichterstattung entschieden, sondern dadurch, ob Labore feststellen, dass es sie konsistent auf Varianten verweist, die es wert sind, getestet zu werden, und wie oft es falsch liegt. Bei diesem Test ist die ehrliche Antwort, dass es noch niemand weiß. Klar ist, dass DeepMind den Suchraum menschlicher genetischer Variation auf eine Weise navigierbar gemacht hat, wie es zuvor nicht der Fall war, und dass die Werkzeuge zu seiner Interpretation nun öffentlich weiterentwickelt werden.

Titelbild: eine DNA-Doppelhelix-Illustration des National Human Genome Research Institute (NHGRI), gemeinfrei.