AlphaGenome: KI-Modell zur Interpretation nicht-kodierender Genomvarianten

Mehr als 98 % aller genetischen Varianten des Menschen liegen außerhalb protein-kodierender Regionen im sogenannten nicht-kodierenden Genom. Diese Bereiche steuern, wann, wo und wie stark Gene abgelesen werden. Nicht-kodierende Varianten können beispielsweise die Chromatinzugänglichkeit, epigenetische Modifikationen oder die räumliche Chromatinstruktur beeinflussen. Bisherige KI-Modelle konnten jeweils nur einen Teil dieser regulatorischen Eigenschaften vorhersagen und lieferten so nur Ausschnitte des Gesamtbildes.

Google DeepMind hat nun mit AlphaGenome ein einheitliches Deep-Learning-Modell vorgestellt, das DNA-Sequenzen von bis zu einer Megabase verarbeiten kann und damit größere genomische Bereiche erfasst als bisherige Modelle. Dabei kann AlphaGenome gleichzeitig elf regulatorische Eigenschaften innerhalb einer einheitlichen Modellarchitektur vorhersagen. Dazu zählen beispielsweise die Genexpression, Chromatinzugänglichkeit, Histonmodifikationen, Transkriptionsfaktor-Bindung, Spleißstellen-Nutzung und dreidimensionale Chromatin-Kontaktkarten. Trainiert wurde das Modell auf Basis experimenteller Datensätze aus öffentlichen Konsortien, die sowohl humane als auch murine Gewebe- und Zelltypdaten umfassen. 

AlphaGenome stellt einen methodischen Fortschritt in der Interpretation nicht-kodierender genetischer Varianten dar und liefert erstmals modalitätsübergreifende Vorhersagen aus einer einzigen Architektur. Für die Forschung an hämatologischen Neoplasien eröffnet dies neue Möglichkeiten zur Bewertung regulatorischer Varianten unklarer Signifikanz sowie zur Identifikation nicht-kodierender Treibermutationen – ohne aufwändige experimentelle Einzelvalidierung.

Avsec Ž et al. Advancing regulatory variant effect prediction with AlphaGenome. Nature 2026. https://doi.org/10.1038/s41586-025-10014-0