AlphaGenome Atlas: Peta AI Google DeepMind untuk 9 Miliar Perubahan DNA

Google DeepMind pada 8 September 2026 memperkenalkan AlphaGenome Atlas, basis data yang dapat ditelusuri untuk memeriksa prediksi efek molekuler dari setiap kemungkinan single-nucleotide variant (SNV), atau perubahan satu huruf DNA, pada genom manusia. Cakupannya sekitar 9 miliar kemungkinan substitusi DNA dan ukuran datanya sekitar 1 petabita (PB). 67

Apa itu AlphaGenome Atlas?

SNV adalah perubahan pada satu huruf DNA. Perubahan ini dapat berada pada DNA pengode protein, yakni bagian yang memuat instruksi pembentukan protein, maupun DNA non-koding yang berperan mengatur kapan dan di mana gen aktif.

Atlas dibuat untuk memudahkan peneliti menilai konsekuensi potensial dari perubahan-perubahan tersebut. DeepMind menjalankan model AI AlphaGenome terlebih dahulu guna menghitung prediksi dampak regulatori untuk seluruh kemungkinan perubahan satu huruf DNA manusia. Jadi, ilmuwan tidak perlu meminta atau menjalankan prediksi baru untuk setiap varian yang ingin diperiksa. 67

Perbedaannya penting: AlphaGenome adalah model prediktifnya, sedangkan AlphaGenome Atlas adalah referensi skala besar yang dapat dicari dan dibangun dari prediksi model tersebut. AlphaGenome sendiri diperkenalkan sebagai model untuk memprediksi bagaimana varian DNA dapat memengaruhi proses biologis yang berkaitan dengan pengaturan gen. 21

Isi basis data 1 PB

Atlas berisi prediksi efek untuk sekitar 9 miliar kemungkinan SNV, lengkap dengan skor AlphaGenome Variant Impact (AVI) untuk setiap varian. 16

Tujuannya adalah membantu peneliti menyaring daftar panjang perbedaan DNA yang ditemukan menjadi kandidat yang lebih layak diteliti. Atlas tidak memberikan vonis klinis. Yang disediakan adalah sinyal berbasis model mengenai perubahan mana yang mungkin lebih penting secara biologis, serta mekanisme molekuler yang mungkin terlibat. 17

Cara mengaksesnya

Menurut DeepMind, AlphaGenome Atlas tersedia untuk riset akademik melalui portal situs web gratis yang dirancang agar mudah digunakan. Peneliti dapat menelusuri data tanpa perlu menjalankan model maupun menulis kode. 7

Dalam praktiknya, Atlas dapat dipakai sebagai lapisan awal dalam penelitian: ilmuwan memeriksa varian kandidat, meninjau dampak yang diprediksi, lalu menentukan eksperimen atau analisis genetika lanjutan yang diperlukan.

Fungsi skor AVI

AlphaGenome Variant Impact (AVI) adalah satu skor untuk membantu mengurutkan varian berdasarkan perkiraan dampak biologisnya. Keunggulan utamanya adalah menggabungkan informasi dari dua kelompok besar variasi genom:

• Varian pengode protein, yang dapat mengubah urutan atau pemrosesan protein;
• Varian non-koding, yang dapat memengaruhi pengaturan gen dan aktivitas molekuler terkait.

Dengan kerangka pemeringkatan yang sama, AVI dimaksudkan untuk membuat kandidat dari DNA pengode dan non-koding lebih mudah dibandingkan dalam analisis skala genom. 16

Sumber yang tersedia menjelaskan AVI sebagai skor praktis untuk pemeringkatan, tetapi tidak merinci formulasi matematis lengkapnya. Karena itu, AVI sebaiknya dipahami sebagai sinyal ringkas untuk menentukan prioritas riset, bukan ukuran yang dengan sendirinya membuktikan suatu varian menyebabkan penyakit.

Temuan awal dari kolaborator

DeepMind dan laporan mengenai peluncuran Atlas menyoroti dua penggunaan awal.

Dalam riset penyakit langka, tim di Broad Institute dilaporkan menggunakan AVI untuk menemukan varian yang memengaruhi DNM1 dan memicu peristiwa splicing atau penyambungan RNA yang keliru. DNM1 telah dikaitkan dengan ensefalopati epileptik. 10 Contoh ini menunjukkan bagaimana model dapat membantu menonjolkan kandidat yang berpotensi terlewat. Namun, materi yang tersedia belum cukup untuk menilai replikasi, interpretasi klinis, ataupun arti lebih luas dari kasus tersebut secara mandiri.

Dalam genetika populasi, peneliti yang menganalisis genom utuh dari lebih dari 54.000 peserta UK Biobank—basis data kesehatan dan genetik besar di Inggris—dilaporkan menemukan 22% lebih banyak asosiasi non-koding dengan Atlas. 310 Jumlah asosiasi yang lebih banyak tidak otomatis membuktikan sebab-akibat atau manfaat klinis. Sumber yang tersedia tidak menjelaskan sifat yang diteliti, ambang statistik, maupun validasi lanjutan untuk hasil itu.

Dibandingkan dengan strategi AlphaFold

AlphaGenome Atlas mengikuti pola yang sudah dikenal dari DeepMind: memasangkan sistem AI prediktif dengan basis data ilmiah yang mudah diakses luas. Basis Data Struktur Protein AlphaFold, yang dikembangkan bersama EMBL-EBI, menyediakan struktur protein hasil prediksi bagi peneliti. AlphaGenome Atlas menerapkan pendekatan akses serupa untuk prediksi konsekuensi varian DNA. 3134

Sasaran ilmiahnya tentu berbeda:

• AlphaFold memprediksi struktur protein tiga dimensi.
• AlphaGenome Atlas memprediksi efek molekuler dan regulatori yang berkaitan dengan perubahan satu huruf DNA. 731

Dari sisi volume data, Atlas dilaporkan lebih dari 30 kali lebih besar daripada Basis Data AlphaFold. 215

Batasan utama: prediksi adalah petunjuk riset

Prediksi Atlas bukan hasil pengukuran eksperimen. Skor AVI yang tinggi juga tidak membuktikan bahwa suatu varian DNA menyebabkan penyakit. Atlas paling tepat digunakan sebagai dasar riset untuk memprioritaskan varian, menyusun hipotesis mekanistik, dan merencanakan studi genetik atau fungsional lanjutan. 16

Kehati-hatian ini sangat penting untuk DNA non-koding, yang penafsirannya masih sulit. Alur kerja yang masuk akal adalah menggunakan Atlas untuk mempersempit kumpulan kandidat, lalu menguji kandidat teratas dengan bukti genetik independen, studi fungsional, dan penilaian klinis yang sesuai bila relevan.

Nilai utama AlphaGenome Atlas terletak pada skala dan kemudahan aksesnya: peneliti memperoleh peta hipotesis yang dihasilkan AI untuk seluruh kemungkinan perubahan satu huruf DNA manusia. Manfaat ilmiahnya pada akhirnya akan bergantung pada seberapa baik hipotesis tersebut diuji di laboratorium dan divalidasi melalui studi pada manusia.