← News-Übersicht | Spotmarkthalle
2026-11-13 · Quelle:MarkTechPost

DeepMind stellt AlphaGenome 2 vor: Das Modell sagt Varianteneffekte zelltypspezifisch voraus – die Recovery kausaler Varianten bei Einzelzell-eQTLs steigt von 16 % auf 30 %. Die Modellgewichte sollen nach der Endpublikation offengelegt werden.
Google DeepMind hat das konditionale Sequence-to-Function-DNA-Modell AlphaGenome 2 veröffentlicht, das speziell auf die Wirkung von Varianten in bestimmten Zelltypen abzielt. Es liest in einem Durchgang ein 1 Mb (1.048.576 Basenpaare) umfassendes DNA-Fenster (Mensch und Maus) plus einen Zielzellzustand, während das erste AlphaGenome nur Mittelwerte über Bulk-Gewebe bilden konnte. Das neue Modell unterscheidet selbst sehr nah verwandte Zelltypen und lässt sich ohne Feinjustierung an einzelzellige Datensätze anpassen, die nicht im Training enthalten waren.
Die Architektur folgt dem U-Net-Stil: ein konvolutioneller Encoder, 11 Transformer-Blöcke und ein Decoder; der Zellzustand wird als 256-dimensionale Einbettung über FiLM-Schichten eingespeist. Ablation-Studien zeigen, dass die Konditionierung von Encoder und Transformern den Großteil des Gewinnes beiträgt (die Konditionierung allein des Decoders bringt kaum Nutzen). Die Ausgaben umfassen RNA-Coverage, CAGE, Spleißung, Chromatin-Zugänglichkeit, Histon-Modifikationen, Transkriptionsfaktor-Bindung und Kontaktkarten – erstmals auch CpG-Methylierungsvorhersagen. Das Training verlief in vier Phasen: Vortraining auf Bulk-Daten plus 3.977 Pseudo-Bulk-Spuren aus RNA- und ATAC-Einzelzelldaten von 36 Studien; konditionale Verfeinerung, bei der nur die Einbettungen und FiLM-Schichten angepasst wurden; Destillation von 8 Lehrer-Modellen in 1 Schüler-Modell; schließlich ein Post-Training, das einen auf über 100 Millionen menschlichen scRNA-seq-Profilen (hauptsächlich aus CELLxGENE) trainierten Expressions-Encoder in den konditionalen Raum abbildet – insgesamt kamen 2.048 TPU v4 zum Einsatz.
Beim Vergleich mit der ersten Generation (TenK10K Einzelzell-eQTL, 28 Immunzelltypen) stieg die Recovery kausaler Varianten bei 90 % Präzision von 16 % auf 30 %, die Recovery der Effektrichtung von 23 % auf 43 %; der kausale AUPRC liegt bei 0,76 gegenüber 0,72, der Sign-AUC bei 0,85 gegenüber 0,79. Bei GTEx stieg die Pearson-Korrelation der expressionsbasierten Gewebsveränderungen von 0,61 auf 0,71, die erklärte Varianz innerhalb von Geweben bei scRNA-seq von 23 % auf 34 %. Beim ENCODE-rE2G-CRISPRi-Benchmark erreicht das Modell einen AUPRC von 0,78, über der ersten Generation mit 0,73 und der Borzoi-Integration mit 0,61 – der größte Abstand zeigt sich bei distalen Enhancern (100 bis 2.500 kb) mit 0,62 gegenüber 0,48. Bei der Imputation von Messdaten schlägt es die Avocado-Baseline in 166 von 181 zurückgehaltenen Spuren; im Parkinson-Kohorten-Test erreicht es eine Recovery pathogener Varianten von 41 %, während das kohortenoptimierte Scooby nur 17 % erreicht. Schwachpunkt: außerhalb zugänglichen Chromatins liegt der Sign-AUROC lediglich bei 0,63.
Zur Verfügbarkeit: Vorerst gibt es nur eine gehostete API – nicht-kommerzielle Forschung kann kostenlos einen Key beantragen, die kommerzielle Nutzung befindet sich in privater Testphase; die Modellgewichte sollen nach Veröffentlichung der endgültigen Publikation bereitgestellt werden. Das Python-Paket alphagenome.models.v2 enthält ein Colab-Tutorial, pro Aufruf sind bis zu 256 Zellen möglich. Gleichzeitig hat DeepMind vorberechnete Karten veröffentlicht: Enhancer-Gene-Verknüpfungen für 640 primäre Zellbedingungen sowie Scores für rund 7 Millionen häufige und GWAS-Varianten in 510 Bedingungen.
Die Bedeutung liegt darin, die Varianteninterpretation von Gewebsdurchschnitten auf zelluläre Präzision zu heben: Forschende können rohe scRNA-seq-Counts direkt eingeben, um neue Zellzustände zu definieren, ohne neu trainieren zu müssen – ein Schritt hin zu zelltypspezifischer Erklärung von Krankheitsvarianten und zu personalisierter Medizin.
萬安算交所 AIXX · AIXX · Verifizierte Computing-Börse · Zur Spotmarkthalle