DeepMinds AlphaGenome Atlas kartlägger 9 miljarder möjliga DNA-förändringar

En karta över möjliga DNA-felstavningar

Google DeepMind lanserade AlphaGenome Atlas den 8 september 2026. Det är en sökbar databas med AI-baserade prognoser för molekylära effekter av alla möjliga förändringar av en enskild DNA-bokstav i människans genom – cirka 9 miljarder varianter. Resursen omfattar ungefär 1 petabyte data och är tillgänglig kostnadsfritt för akademisk forskning via en webbaserad portal. 67

En sådan förändring kallas en enkelnukleotidvariant: ett A, C, G eller T i DNA:t har bytts ut mot ett annat. Förändringen kan finnas i en protein-kodande del av genomet, där den kan påverka proteinets uppbyggnad, eller i icke-kodande DNA som bland annat styr när och var gener är aktiva.

Modell och atlas är inte samma sak

Det är viktigt att skilja på två närbesläktade delar:

• AlphaGenome är AI-modellen som förutsäger hur DNA-varianter kan påverka genreglering och andra biologiska processer.
• AlphaGenome Atlas är det stora, förberäknade uppslagsverket som samlar modellens prognoser för samtliga möjliga förändringar av en DNA-bokstav. 6721

I stället för att varje forskargrupp måste köra en ny modellanalys för varje kandidatvariant har DeepMind räknat fram resultaten i förväg. Tanken är att en forskare snabbt ska kunna gå från en lång lista av observerade genetiska skillnader till några varianter som är särskilt relevanta att undersöka vidare.

Vad innehåller databasen?

Atlas innehåller förutsagda effekter för omkring 9 miljarder möjliga enkelnukleotidvarianter, tillsammans med en AlphaGenome Variant Impact-poäng, förkortad AVI, för varje variant. 16

Prognoserna handlar om möjliga molekylära och regulatoriska konsekvenser – alltså hur en DNA-förändring kan påverka biologiska mekanismer. Det är inte ett besked om att en person har eller kommer att få en viss sjukdom. I stället är resursen avsedd som ett första urvalssteg för forskning: ett sätt att identifiera varianter som kan vara värda experiment, genetiska analyser eller annan uppföljning. 17

AVI: en gemensam poäng för hela genomet

AVI-poängen ska göra det lättare att rangordna varianter efter deras förutsagda biologiska betydelse. Den kombinerar information för båda de stora kategorierna:

• Protein-kodande varianter, som kan förändra ett proteins sekvens eller bearbetning.
• Icke-kodande varianter, som kan påverka regleringen av gener och närliggande molekylära processer.

Det ger forskare ett gemensamt ramverk för att jämföra kandidater i hela genomet, snarare än att behandla kodande och icke-kodande DNA som helt separata problem. 16

Källmaterialet beskriver AVI som ett praktiskt rangordningsmått, men anger inte dess fullständiga matematiska utformning. Poängen bör därför läsas som en signal för prioritering – inte som ett direkt mått på sjukdomsorsak.

Tidiga resultat: DNM1 och UK Biobank

Vid lanseringen lyftes två tidiga användningsfall fram av samarbetspartner.

I forskning om sällsynta sjukdomar uppges ett team vid Broad Institute ha använt AVI för att hitta en variant i DNM1 som skapar en felaktig splitsningshändelse. DNM1 har kopplats till epileptisk encefalopati. 10 Exemplet visar hur modellen kan hjälpa till att lyfta fram en kandidat som annars riskerar att missas. Men de tillgängliga uppgifterna räcker inte för att självständigt bedöma replikerbarhet, klinisk tolkning eller hur brett resultatet kan generaliseras.

I populationsgenetisk forskning uppges analyser av hela genom från fler än 54 000 deltagare i UK Biobank ha hittat 22 procent fler icke-kodande associationer med hjälp av Atlas. 310 UK Biobank är en stor brittisk forskningsresurs med hälso- och genomdata från deltagare. Fler statistiska associationer innebär dock inte i sig att varianterna orsakar sjukdom, eller att de är direkt användbara i vården. Källorna anger inte vilka egenskaper som studerades, statistiska trösklar eller hur resultaten validerades efteråt.

Liknar AlphaFold-strategin – men studerar något annat

AlphaGenome Atlas följer en strategi som känns igen från AlphaFold: DeepMind kopplar en prediktiv AI-modell till en brett tillgänglig databas, så att forskare kan använda resultaten utan att själva bygga eller köra modellen. AlphaFold Protein Structure Database, utvecklad tillsammans med EMBL-EBI, har gjort förutsagda proteinstrukturer tillgängliga för forskarsamhället. 3134

Men de biologiska frågorna skiljer sig åt:

• AlphaFold förutsäger proteiners tredimensionella strukturer.
• AlphaGenome Atlas förutsäger molekylära och regulatoriska effekter av förändringar i en DNA-bokstav. 731

Mätt i datavolym uppges Atlas vara mer än 30 gånger större än AlphaFold-databasen. 215

Avgörande förbehåll: prognoser är forskningsspår

Atlas bygger på modellprediktioner, inte direkta experimentella mätningar. En hög AVI-poäng visar därför inte att en variant orsakar en sjukdom. 16

Den rimliga användningen är att se Atlas som en forskningsgrund: den kan hjälpa till att sålla bland stora mängder varianter, formulera hypoteser om mekanismer och planera uppföljande studier. Särskilt för icke-kodande DNA, där tolkningen fortfarande är svår, behöver lovande träffar granskas med oberoende genetisk evidens, funktionella experiment och – när det är relevant – klinisk bedömning.

AlphaGenome Atlas främsta bidrag är därmed skalan och tillgängligheten: forskare får ett färdigt, sökbart lager av AI-genererade hypoteser för varje möjlig förändring av en enskild DNA-bokstav i människans genom. Det vetenskapliga värdet avgörs i nästa steg – av vilka hypoteser som håller för test i laboratoriet och i studier på människor.