Wie Genomkarten Forschern dabei helfen können, Krankheiten besser zu verstehen

Die Tools AlphaGenome und AlphaGenome Atlas von Google DeepMind unterstützen Forscher bei der Dekodierung des menschlichen Genoms. Durch die Vorhersage der Auswirkungen genetischer Varianten helfen diese Modelle dabei, krankheitsverursachende Mutationen schneller zu identifizieren, wodurch die Entdeckung von Behandlungen für seltene Erkrankungen beschleunigt wird und die personalisierte Medizin verbessert wird.

Vorlesen ist in diesem Browser nicht verfügbar
Wie Genomkarten Forschern dabei helfen können, Krankheiten besser zu verstehen

Tags

Kurze Zusammenfassung

Die Tools AlphaGenome und AlphaGenome Atlas von Google DeepMind unterstützen Forscher bei der Dekodierung des menschlichen Genoms. Durch die Vorhersage der Auswirkungen genetischer Varianten helfen diese Modelle dabei, krankheitsverursachende Mutationen schneller zu identifizieren, wodurch die Entdeckung von Behandlungen für seltene Erkrankungen beschleunigt wird und die personalisierte Medizin verbessert wird.

Wie Genomkarten Forschern helfen können, Krankheiten besser zu verstehen

Das menschliche Genom dient als Handbuch des Körpers und enthält etwa 3 Milliarden DNA-Basepaare, die bestimmen, wie biologische Funktionen ablaufen. Obwohl die Wissenschaft seit langem in der Lage ist, diese gesamte Sequenz zu lesen, bleibt es eine große Herausforderung, die spezifischen Bedeutungen des genetischen Codes zu entschlüsseln – insbesondere die nicht-kodierende „Dunkle Materie“, die die Genexpression und das Krankheitsrisiko reguliert. Zu ermitteln, welche konkreten DNA-Veränderungen Krankheiten verursachen, wird oft als das Suchen einer Nadel im Heuhaufen beschrieben. Um dies zu bewältigen, hat Google DeepMind KI-Tools entwickelt, insbesondere AlphaGenome und den AlphaGenome Atlas, die dazu dienen, den Prozess des Verständnisses von Krankheitsmechanismen zu beschleunigen.

Das Ausmaß der genetischen Variation

Die Komplexität des Genoms liegt in seinem enormen Potenzial für Variationen. Die DNA-Sequenz setzt sich aus vier Basen zusammen, die als Buchstaben bezeichnet werden: Adenin (A), Thymin (T), Cytosin (C) und Guanin (G). Diese Buchstaben fungieren als biologisches Alphabet. Da jeder dieser Buchstaben durch einen der anderen drei ersetzt werden kann, gibt es 9 Milliarden möglicher Einzelbuchstaben-Veränderungen im Genom. Viele genetische Erkrankungen werden bereits durch eine solche spezifische Buchstabenveränderung verursacht.

Doch die Durchführung von Milliarden physischer Studien, um herauszufinden, welche Veränderungen eine Rolle spielen, ist aufgrund von Zeit- und Ressourcenbeschränkungen für Wissenschaftler nicht praktikabel. Wie Žiga Avsec, Forschungswissenschaftler bei Google DeepMind, der die Genomik-Initiative leitet, betont, erfordert das enorme Volumen an möglichen Variationen einen neuen Ansatz zur Vorhersage.

AlphaGenome und der AlphaGenome Atlas

Um diese Herausforderung anzugehen, entwickelte Google DeepMind AlphaGenome, ein Modell, das in der Lage ist, eine teilweise DNA-Sequenz mit einer Länge von 1 Millionen Basepaaren zu nehmen und Tausende von Vorhersagen zu erstellen. Durch den Vergleich dieser Vorhersagen bezüglich DNA-Veränderungen können Wissenschaftler die bedeutendsten Varianten schneller identifizieren.

Auf dieser Grundlage erstellte das Team den AlphaGenome Atlas, eine umfangreiche Datensammlung, die Wissenschaftlern dabei hilft, schneller zu entscheiden, was erforscht werden soll. Wenn ein Patient mit einer seltenen Erkrankung sequenziert wird, können die entstehenden Daten bis zu 4 Millionen Varianten aufzeigen – 4 Millionen Möglichkeiten, wie dessen DNA vom Standard-Referenzmenschlichen Genom abweicht. Selbst wenn man die Liste auf nur seltene Varianten einengt, bleiben den Forschern oft noch Hunderte oder Tausende von Optionen.

Der AlphaGenome Atlas beseitigt dieses Problem, indem er eine einzige, leicht verständliche Bewertung bereitstellt: die AVI-Bewertung (AlphaGenome Variant Impact). Diese Bewertung zeigt sofort den potenziellen Einfluss einer Variante auf das gesamte Genom an und hilft Forschern dabei, Prioritäten zu setzen sowie die störendsten Veränderungen leichter ausfindig zu machen, um sie weiter zu untersuchen.

Vom Lesen von DNA zum Verständnis von Mechanismen

Der Nutzen dieser Werkzeuge geht über die einfache Identifizierung hinaus. Laut Google DeepMind bringen Tools wie AlphaGenome die Wissenschaftsgemeinschaft davon ab, lediglich DNA zu lesen, und helfen Forschern stattdessen, die molekularen Mechanismen hinter einer Erkrankung besser zu verstehen. Dieser Wandel liefert Forschern neue Ansatzpunkte zum Testen und stellt einen wichtigen Schritt in Richtung des langfristigen Ziels dar, eine vollständige menschliche Zelle digital zu simulieren.

Kurzfristig besteht das Ziel darin, KI einzusetzen, um die „Grammatik“ des Genoms besser zu verstehen und die Auswirkungen von Mutationen genauer vorherzusagen. Langfristig strebt Google DeepMind an, auf dieser Grundlage eine voll funktionsfähige digitale Simulation einer menschlichen Zelle zu schaffen. Dies würde es Forschern ermöglichen, Krankheitsmechanismen computergestützt zu modellieren, seltene genetische Erkrankungen zu verstehen und potenzielle Therapien ohne unmittelbaren Bedarf an physischen Experimenten zu testen.

Anwendungen in der Praxis und Fallstudien

Forscher nutzen bereits diese Werkzeuge, um die Wissenschaft voranzutreiben. Gareth Hawkes, ein Fellow des Medical Research Council an der University of Exeter, nutzte den AlphaGenome Atlas, um eine Liste von 1 Milliarden genetischen Varianten einzugrenzen. Indem er sich auf die am stärksten wirkenden 1% konzentrierte, identifizierte er 19 Variengruppen, die mit dem Körpergewichtsindex in Verbindung stehen, um diese in seiner Forschung priorisieren zu können.

Ähnlich nutzte Laura Covill, Forscherin am Broad Institute, die AVI-Wertung, um bei der Erforschung ungelöster seltener Erkrankungen genetische Varianten zu priorisieren. Der AlphaGenome Atlas identifizierte eine kritische Variante in einem mit neuroentwicklungsbedingten Störungen verbundenen Gen und lieferte entscheidende Unterstützungsbelege, die ihre weitere Forschung vorantrieben, einschließlich der Lösung des Falls.

Diese Beispiele zeigen, wie die Tools die Forschung beschleunigen können, wodurch die Gesellschaft ihre Fähigkeit verbessern könnte, seltene oder zuvor nicht charakterisierte genetische Erkrankungen zu diagnostizieren und die Behandlung der Betroffenen zu personalisieren. Zudem könnten diese Fähigkeiten den Arzneimittelentwicklungsprozess beschleunigen, indem sie pharmazeutischen Forschern helfen, therapeutische Ziele mit hoher Wahrscheinlichkeit schneller zu identifizieren und zu validieren. Jenseits des Gesundheitswesens könnte die Modellarchitektur Forschern dabei helfen, breitere gesellschaftliche Herausforderungen anzugehen, darunter die Züchtung klimaresistenter Pflanzen.

Einschränkungen und zukünftige Richtungen

Trotz der Fortschritte gibt es Einschränkungen bei der aktuellen Technologie. AlphaGenome wurde im Juni 2025 veröffentlicht, und der AlphaGenome Atlas wurde im September 2026. eingeführt. Obwohl das Modell state-of-the-art ist, wurde es hauptsächlich anhand von Daten aus ganzen Geweben oder Zelllinien trainiert. Google DeepMind räumt ein, dass einzelne Zelltypen in diesen Geweben eine sehr spezifische Funktion haben und bei Erkrankungen versagen können, was durch Durchschnitte aus ganzen Geweben überdeckt werden könnte.

Um dies zu beheben, hat das Team AlphaGenome 2. ins Leben gerufen. Dieses neueste Modell beseitigt die zentrale Einschränkung der Zelltyp-Spezifität. Es geht über Gewebedurchschnitte hinaus, um vorherzusagen, wie genetische Varianten diese einzelnen Zelltypen stören, und hilft Forschern dabei, die zellulären Ursachen von Erkrankungen zu ermitteln.

Darüber hinaus forscht Google DeepMind aktiv nach besseren Methoden, um zu messen, wie zuverlässig das Modell bei seinen Vorhersagen ist, damit Forscher wissen, inwieweit sie jedem Ergebnis vertrauen können. Aus frühen Analysen geht hervor, dass Varianten mit stark vorhergesagten Effekten sehr gut sind und hohe Genauigkeitsgrade erreichen. Der Anbieter betont jedoch, dass jeder, der AlphaGenome verwendet, seine Vorhersagen in Kombination mit anderen Informationsquellen interpretieren sollte.

Fazit

Die Integration von KI in die Genomkartierung stellt einen bedeutenden Wandel dar in der Art und Weise, wie Forscher die Erkrankungen verstehen. Durch die Nutzung von AlphaGenome und dem AlphaGenome Atlas können Wissenschaftler die Komplexität der 3 Milliarden Basenpaare des menschlichen DNA-Genoms effizienter bewältigen. Diese Werkzeuge helfen dabei, die überwältigende Aufgabe, eine Nadel im Heuhaufen zu finden, in einen handhabbaren Prozess der Priorisierung und Vorhersage umzuwandeln. Da Modelle wie AlphaGenome 2 weiterentwickelt werden, um Zelltyp-Spezifika sowie Messungen der Zuverlässigkeit zu berücksichtigen, wächst das Potenzial, menschliche Zellen digital zu simulieren und Behandlungen für seltene Erkrankungen zu personalisieren, stetig weiter.

Quelle: https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-disease-research

Quellen