AlphaGenome Atlas: DeepMinds KI-Karte für 9 Milliarden DNA-Varianten

Google DeepMind hat den AlphaGenome Atlas am 8. September 2026 vorgestellt. Die durchsuchbare Datenbank enthält KI-basierte Vorhersagen zu den molekularen Folgen von rund 9 Milliarden möglichen Einzelnukleotidvarianten im menschlichen Genom – also jeder denkbaren Änderung eines einzelnen DNA-Buchstabens. Der Datensatz umfasst etwa 1 Petabyte und steht akademischen Forschenden über ein kostenloses Webportal zur Verfügung. 67

Was genau ist der AlphaGenome Atlas?

Eine Einzelnukleotidvariante (oft SNV genannt) verändert genau einen DNA-Buchstaben. Solche Veränderungen können in protein-kodierenden Abschnitten liegen, die Bauanleitungen für Proteine enthalten. Sie können aber auch nichtkodierende DNA betreffen, die unter anderem reguliert, wann, wo und wie stark Gene aktiv sind.

Der Atlas soll die Suche nach biologisch relevanten Varianten beschleunigen. Dafür hat DeepMind mit seinem KI-Modell AlphaGenome die erwarteten regulatorischen Effekte aller möglichen Ein-Buchstaben-Änderungen vorab berechnet und als Nachschlagewerk gespeichert. Forschende müssen somit nicht für jede einzelne Kandidatenvariante eine neue Modellvorhersage anfordern oder selbst berechnen. 67

Wichtig ist die Unterscheidung: AlphaGenome ist das Vorhersagemodell; AlphaGenome Atlas ist die großskalige Datenbank seiner vorab berechneten Ergebnisse. Das Modell wurde entwickelt, um abzuschätzen, wie DNA-Varianten biologische Prozesse der Genregulation beeinflussen könnten. 21

Was steckt in den 1 Petabyte Daten?

Der Atlas enthält vorhergesagte Effekte für ungefähr 9 Milliarden mögliche Einzelnukleotidvarianten sowie für jede Variante einen AlphaGenome Variant Impact Score (AVI). 16

Das Angebot soll Forschenden helfen, aus langen Listen beobachteter genetischer Unterschiede diejenigen Kandidaten herauszufiltern, die sich besonders für weitere Untersuchungen eignen könnten. Es liefert keine klinische Bewertung, sondern modellbasierte Hinweise darauf, welche Veränderungen biologisch bedeutsamer sein könnten und welche molekularen Mechanismen betroffen sein könnten. 17

Zugang: Recherche ohne eigenen Modelllauf

Laut DeepMind ist der Atlas für akademische Forschung über ein intuitiv bedienbares, kostenloses Webportal verfügbar. Die Plattform soll Abfragen ermöglichen, ohne dass Nutzende programmieren oder das zugrunde liegende Modell selbst ausführen müssen. 7

Praktisch kann die Datenbank damit als erste Analyseschicht dienen: Eine Forscherin oder ein Forscher prüft eine auffällige Variante, sieht sich deren vorhergesagte Effekte an und entscheidet auf dieser Grundlage, welche genetischen Analysen oder Laborversuche als Nächstes sinnvoll sind.

Der AVI-Score: eine gemeinsame Rangfolge für das ganze Genom

Der AlphaGenome Variant Impact Score (AVI) fasst die erwartete biologische Wirkung einer Variante in einer Kennzahl zusammen. Er soll die Priorisierung über zwei zentrale Klassen hinweg erleichtern:

• Protein-kodierende Varianten, die etwa die Sequenz oder Verarbeitung eines Proteins verändern können
• Nichtkodierende Varianten, die Genregulation und damit verbundene molekulare Aktivitäten beeinflussen können

AVI bietet damit einen gemeinsamen Rahmen, um kodierende und nichtkodierende Kandidaten bei genomweiten Analysen besser vergleichbar zu machen. 16

Die vorliegenden Quellen beschreiben AVI als praktischen Score zur Rangfolge, erläutern aber nicht seine vollständige mathematische Berechnung. Der Wert sollte daher als Priorisierungssignal verstanden werden – nicht als unmittelbar verständlicher Beleg dafür, dass eine Variante eine Krankheit verursacht.

Erste Berichte aus der Forschung

Zum Start verwiesen DeepMind und Medienberichte auf zwei frühe Anwendungen durch Kooperationspartner.

In der Forschung zu seltenen Erkrankungen soll ein Team des Broad Institute mit AVI eine Variante im Gen DNM1 herausgefiltert haben, die zu einem fehlerhaften Spleißvorgang führt. DNM1 wird mit epileptischer Enzephalopathie in Verbindung gebracht. 10 Das zeigt, wie ein Modell möglicherweise einen zuvor übersehenen Kandidaten sichtbar machen kann. Die verfügbaren Informationen reichen jedoch nicht aus, um Replikation, klinische Einordnung oder die allgemeine Bedeutung dieses Falls unabhängig zu bewerten.

In der Populationsgenetik berichteten Forschende bei der Analyse vollständiger Genome von mehr als 54.000 Teilnehmenden der UK Biobank über 22 % mehr nichtkodierende Assoziationen mithilfe des Atlas. 310 Mehr gefundene Assoziationen bedeuten allerdings nicht automatisch Kausalität oder klinische Nutzbarkeit. Die Quellen nennen weder die untersuchten Merkmale noch statistische Schwellenwerte oder nachgelagerte Validierungen.

Ähnlicher Zugang wie bei AlphaFold – anderes wissenschaftliches Ziel

Mit dem AlphaGenome Atlas folgt DeepMind einer Strategie, die bereits von AlphaFold bekannt ist: Ein Vorhersagemodell wird mit einer breit zugänglichen wissenschaftlichen Datenbank verbunden. Die gemeinsam mit EMBL-EBI entwickelte AlphaFold Protein Structure Database machte vorhergesagte Proteinstrukturen für Forschende verfügbar; AlphaGenome Atlas überträgt dieses Zugangsprinzip auf die erwarteten Folgen von DNA-Varianten. 3134

Die Ziele unterscheiden sich jedoch deutlich:

• AlphaFold sagt dreidimensionale Strukturen von Proteinen voraus.
• AlphaGenome Atlas sagt molekulare und regulatorische Effekte einzelner DNA-Buchstabenänderungen voraus. 731

Beim Datenvolumen soll der Atlas mehr als 30-mal größer sein als die AlphaFold-Datenbank. 215

Entscheidend: Vorhersagen sind Ansatzpunkte, keine Diagnose

Die Ergebnisse des Atlas sind keine experimentellen Messwerte. Ein hoher AVI-Score belegt nicht, dass eine DNA-Variante eine Krankheit auslöst. Die Datenbank ist vor allem als Forschungsgrundlage gedacht: zur Priorisierung von Varianten, zur Entwicklung mechanistischer Hypothesen und zur Planung funktioneller oder genetischer Folgeuntersuchungen. 16

Besonders bei nichtkodierender DNA bleibt die Interpretation schwierig. Ein sinnvoller Ablauf ist daher, mit dem Atlas große Kandidatenmengen einzugrenzen und die wichtigsten Treffer anschließend durch unabhängige genetische Evidenz, funktionelle Experimente und – falls angebracht – eine fachgerechte klinische Bewertung zu überprüfen.

Der wesentliche Beitrag des AlphaGenome Atlas liegt in seiner Größenordnung und Zugänglichkeit: Forschende erhalten eine unmittelbar abfragbare Karte von KI-generierten Hypothesen für sämtliche möglichen Ein-Buchstaben-Änderungen im menschlichen Genom. Wie wertvoll sie langfristig wird, entscheidet sich daran, wie gut diese Hypothesen im Labor und in Studien mit Menschen überprüft werden.