LONDON (IT BOLTWISE) – DeepMind bringt mit AlphaGenome 2 ein neues KI-Modell an den Start, das vorhersagen soll, wie DNA-Mutationen sich je nach Zelltyp und Zellzustand auswirken. Das System wird auf über 100 Millionen Einzelzell-Profile aus 68 Geweben trainiert und liefert laut Anbieter eine deutlich feinere Auflösung als frühere Ansätze. Besonders relevant ist dabei, dass das Modell auch neue Zelltypen und Zustände ableiten können soll, ohne erneut trainiert zu werden. Gleichzeitig steigt der Rechenaufwand spürbar, weshalb die breite Atlas-Produktion nicht „sofort“ ersetzt wird.
AlphaGenome 2 rückt eine alte Hürde der Genetik in den Mittelpunkt: Die DNA ist in nahezu allen Zellen gleich, doch die biologische Wirkung einer Variante hängt stark davon ab, welche Zelle sie gerade „liest“ und in welchem Zustand sich diese Zelle befindet. Genau an dieser Schnittstelle setzt das neue Modell von DeepMind an. Statt nur zu lernen, wie genetische Varianten grundsätzlich funktionieren, soll AlphaGenome 2 die Effekte auf zellulärer Ebene aufdröseln und damit die Lücke zwischen populationsbasierten Genomdaten und konkreten Mechanismen im Gewebe verkleinern.
Technisch betrachtet versucht das Modell, zelltyp- und zustandsabhängige Genregulation als Muster abzubilden. DeepMind beschreibt AlphaGenome 2 als Nachfolger des vorigen, ebenfalls genvorhersagenden Modells AlphaGenome und positioniert den Fortschritt vor allem in der Granularität: Das Modell soll eine deutlich feinere Sicht auf die Zusammenhänge liefern, wodurch krankheitsrelevante Effekte in spezifischen Zellpopulationen besser erkannt werden könnten. Für die praktische Interpretation bedeutet das: Eine einzelne genetische Variante kann in einem Zelltyp kaum messbare Spuren hinterlassen, in einem anderen aber die Expression von Genen so verändern, dass daraus eine funktionale Kettenreaktion entsteht.
Als Grundlage nutzt AlphaGenome 2 ein Trainingssetup, das explizit auf zelluläre Vielfalt ausgelegt ist. DeepMind nennt ein Training mit mehr als 100 Millionen einzelnen Zellprofilen aus 68 Geweben. Auf dieser Basis soll das Modell statische Zellatlanten – große Datenbestände, die Zellen detailliert abbilden und katalogisieren – in eine Art „vorhersagende Engine“ für die Humangenetik überführen. Laut Anbieter identifiziert AlphaGenome 2 zudem knapp doppelt so viele Varianten, die potenziell die Genexpression in Zellen verändern können, verglichen mit dem vorherigen Stand der Technik. Interessant ist dabei auch der zweite Teil der Aussage: Das System soll Vorhersagen sogar für neue Zelltypen und biologische Zustände liefern können, ohne dass dafür ein erneutes Retraining erforderlich ist.
Damit wird die Anwendungsperspektive konkreter – vor allem für das, was in der Pharma- und Wirkstoffentwicklung häufig als Problem bekannt ist: Zielstrukturen sind selten „generisch“. Adam Gayoso, Research Scientist bei DeepMind und in das Projekt eingebunden, bringt den Kern in einer wörtlichen Passage auf den Punkt: „tying human genetics to cell biology“. Die praktische Lesart lautet: Forschende können genetische Varianten, die in großen Populationen identifiziert wurden, in Richtung funktioneller Hypothesen zurückverfolgen. Wenn ein Modell nicht nur sagt „Variante X ist statistisch mit Krankheit Y assoziiert“, sondern darüber hinaus beschreibt, in welchen Zelltypen und in welchen Zuständen sich die Expression verändert, lassen sich Prioritäten für Laborstudien deutlich besser auswählen.
Für die Granularität gibt es nach Angaben aus dem Umfeld des Projekts auch einen direkten Bezug zur Wirkstofflogik. Genomics Lead Yiga Avsec betont, dass Detailtiefe entscheidend wird, wenn das Ziel die Behandlung einer konkreten Erkrankung ist. In dem Zusammenhang werden die typischen Zielparameter genannt: „When you develop drugs, you’re targeting specific proteins and specific cell types“. Genau das erklärt, warum das Modell nicht nur als Datenauswertungswerkzeug, sondern als Brücke zwischen Genomik und zellulärer Zielbiologie gedacht ist. Zudem nennt DeepMind einen weiteren praktischen Nutzen: AlphaGenome 2 soll Lücken in experimentellen Daten erkennen können – etwa an Stellen, an denen noch Messungen fehlen – und so Hinweise geben, was man im Labor als Nächstes untersuchen sollte.
Ein wichtiger Dämpfer für die unmittelbare Breitenwirkung ist jedoch der Ressourcenverbrauch. DeepMind legt offen, dass AlphaGenome 2 mehr Rechenkosten verursacht und damit „teurer“ in der Produktion sein soll als AlphaGenome. Deshalb bleibt die Aussage vorsichtig: Das Modell ersetzt AlphaGenome nicht sofort, weil sich die bisherige Zielsetzung – ein „Atlas“, der den Effekt jeder möglichen Buchstabenänderung im menschlichen Genom abbildet – mit der höheren Vorhersagekomplexität vermutlich unpraktisch wäre. Dieses Spannungsfeld ist in KI-basierter Bioinformatik bekannt: Mehr Modellauflösung verbessert die Aussagequalität, erhöht aber oft die Kosten in Training und Inferenz. Genau deshalb wirkt das Produktierungs- und Betriebsmodell entscheidend, wenn ein System aus dem Forschungsmodus in den Alltag von Teams mit begrenzten Budgets übergehen soll.
Für den Marktstatus ist außerdem relevant, wie DeepMind das Modell zugänglich macht. AlphaGenome 2 soll ab dem heutigen Zeitpunkt für nicht-kommerzielle Forschung über eine AlphaGenome API bereitgestellt werden, während für kommerzielle Nutzung zunächst ein eingeschränktes „private preview“ vorgesehen ist. In der breiteren Landschaft setzt das in eine Reihe von Initiativen, mit denen sowohl Google als auch konkurrierende KI-Labore KI-Methoden auf wissenschaftliche Probleme anwenden: Im Umfeld der Medizinentwicklung wird etwa an der Wirkstoffgestaltung experimentiert; andere Labore arbeiten parallel an Automatisierung in angrenzenden Forschungsbereichen. DeepMind wiederum deutet an, dass weitere beeindruckende Resultate aus dem Bereich „AI for science“ folgen sollen und dass perspektivisch auch ein automatisiertes Labor in Großbritannien geplant ist. Für Unternehmen heißt das vor allem: Wenn AlphaGenome 2 in die Toolchains von Teams überführt wird, entsteht ein neuer Hebel, um Varianten priorisiert zu untersuchen – allerdings auf Basis eines Rechen- und Prozessmodells, das schon heute zwischen Forschungseffekt und Betriebskosten abwägen muss.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "AlphaGenome 2: KI erklärt, wie Mutationen Zellen unterschiedlich treffen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "AlphaGenome 2: KI erklärt, wie Mutationen Zellen unterschiedlich treffen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »AlphaGenome 2: KI erklärt, wie Mutationen Zellen unterschiedlich treffen« bei Google Deutschland suchen, bei Bing oder Google News!