AlphaGenome 2: Googles KI sucht Krankheitsursachen in einzelnen Zelltypen
AlphaGenome 2 analysiert DNA-Varianten in Hunderten Zelltypen. Was 107 Millionen Zellprofile und 30 statt 16 Prozent wirklich bedeuten.

Die entscheidende Frage: Warum wirkt dieselbe DNA unterschiedlich?
Jede Zelle eines Menschen trägt grundsätzlich denselben genetischen Bauplan. Trotzdem verhält sich eine Immunzelle anders als ein Herzmuskel oder eine Nervenzelle. Entscheidend ist, welche Gene unter welchen Bedingungen aktiv sind. Am 11. November hat Google DeepMind AlphaGenome 2 vorgestellt: ein Forschungsmodell, das vorhersagen soll, wie sich DNA-Sequenzen und einzelne Varianten auf die Genaktivität bestimmter Zelltypen auswirken.
Der Fortschritt liegt nicht darin, dass eine KI künftig Krankheiten bei einzelnen Menschen diagnostiziert. DeepMind will vielmehr eine schwierige Brücke in der Grundlagenforschung schlagen: von einer in Studien auffälligen DNA-Variante zu der konkreten Zelle und dem biologischen Prozess, in dem sie eine Wirkung haben könnte. Diese Vorhersage muss in Experimenten überprüft werden.
Vom Gewebedurchschnitt zur einzelnen Zellsituation
Die erste AlphaGenome-Generation nutzte lange DNA-Sequenzen, um molekulare Aktivität in vielen Geweben parallel vorherzusagen. AlphaGenome 2 verarbeitet dagegen zusätzlich eine bestimmte biologische Bedingung: etwa Zelltyp, Gewebe oder Aktivierungszustand. Die Modellarchitektur wird so auf eine gewählte Zellsituation konditioniert. Das hilft, Unterschiede zwischen nah verwandten Zelltypen nicht im Durchschnitt verschwinden zu lassen.
DeepMind beschreibt ein Eingabefenster von bis zu einer Million DNA-Buchstaben und Vorhersagen zu Genexpression, Chromatinzugänglichkeit, Histonmarkierungen und nun auch DNA-Methylierung. Ein Forschender kann fragen, wie eine bestimmte Änderung im Erbgut in aktivierten Immunzellen wirkt, statt nur einen Durchschnittswert für ein gesamtes Gewebe zu betrachten. Das ist eine Modellvorhersage, kein beobachtetes Laborexperiment.
Mehr als 107 Millionen Zellprofile als Trainingsgrundlage
Google gibt an, das Modell mit Daten aus über 107 Millionen einzelnen Zellprofilen aus 68 Geweben trainiert zu haben – einschließlich menschlicher und muriner Daten sowie zusammengefasster Gewebemessungen. Diese Menge hilft, sehr unterschiedliche Zellzustände statistisch zu repräsentieren. Sie bedeutet allerdings nicht, dass 107 Millionen Menschen untersucht wurden: Ein Zellprofil beschreibt eine Messung an einer Zelle und ist nicht mit einem Patienten gleichzusetzen.
Die Kombination von DNA-Sequenzen mit Einzelzellinformationen macht eine interessante Forschungsfrage zugänglich. Biologen können aus bereits gemessenen Genaktivitäten weitere nicht direkt gemessene molekulare Eigenschaften abschätzen und damit Experimente priorisieren. Solche imputierten Daten bleiben mit Unsicherheit behaftet und sollten nicht wie unmittelbar gemessene Wirklichkeit behandelt werden.
30 statt 16 Prozent: Was die Benchmarkzahlen wirklich zeigen
DeepMind hebt eine konkrete Auswertung auf dem TenK10K-Immunzell-Datensatz hervor. In der Untersuchung mit 28 primären Immunzelltypen identifizierte AlphaGenome 2 laut Hersteller 30 Prozent der betrachteten ursächlichen Genvarianten, verglichen mit 16 Prozent bei einer entsprechend angepassten Vorgängerversion. Auch beim Vorhersagen der Wirkrichtung meldet Google 43 statt 23 Prozent. Das ist eine deutliche relative Verbesserung innerhalb dieses Tests.
Die Prozentwerte dürfen nicht falsch gelesen werden: 30 Prozent sind keine 30-prozentige Genauigkeit einer medizinischen Diagnose und auch keine generelle Erfolgsrate für sämtliche Erbkrankheiten. Maßgeblich sind Datensatz, Definition der Referenzvarianten, Auswahl der Zelltypen und das gewählte Auswertungsverfahren. Der Vergleich stammt aus der vom Forschungsteam präsentierten Evaluation und wurde von AgentenCode nicht unabhängig reproduziert.
Ein Beispiel aus der Forschung zu Darmentzündungen
Eine bereits veröffentlichte Studie verknüpfte eine weit entfernte genetische Regulationsstelle mit dem Gen ETS2 und entzündlichen Darmkrankheiten. DeepMind beschreibt, dass AlphaGenome 2 das bekannte Muster rechnerisch in Makrophagen – bestimmten Immunzellen des Darms – nachvollziehen konnte. Das Modell soll die relevante Variante und ihren Effekt auf ETS2 gerade in diesem Zelltyp sichtbar machen, während andere Zellen weniger betroffen erscheinen.
Der Wert solcher Beispiele ist, dass eine statistische Assoziation mit einer biologischen Hypothese verbunden werden kann. Daraus entsteht jedoch noch kein Beweis einer Ursache im individuellen Patienten und kein fertiges Medikament. Um einen Wirkmechanismus zu bestätigen, braucht es unabhängige Laborversuche, biologische Replikation und später gegebenenfalls klinische Forschung. Die KI ist ein Werkzeug, um mögliche Experimente klüger auszuwählen.
Neue Zellzustände ohne vollständiges Neutraining
AlphaGenome 2 kann laut DeepMind auch neue Einzelzellmessungen verwenden, die nicht in genau dieser Form im Training vorkamen. Schon wenige Dutzend gemessene Zellen sollen für eine Repräsentation des aktuellen Zellzustands reichen. Das Modell kombiniert diese Zustandsbeschreibung mit der DNA-Sequenz und kann dann zusätzliche Eigenschaften oder Varianteneffekte vorhersagen. Dies ist insbesondere für aktivierte oder krankheitsveränderte Zellzustände interessant.
Als Forschungsbeispiel nennt Google aktivierte T-Zellen nach einer COVID-19-mRNA-Impfung. Eine bestimmte genetische Variante zeigte im Modell einen stärkeren Einfluss auf die Genregulation im aktivierten als im ruhenden Zustand. Das ist eine Aussage über einen experimentellen Zellzustand, keine Aussage darüber, ob Impfungen für eine Person sicher oder unsicher sind. Solche Interpretationen müssen anhand der tatsächlichen biologischen und klinischen Evidenz erfolgen.
Wer darf AlphaGenome 2 heute nutzen?
Laut DeepMinds Veröffentlichung ist AlphaGenome 2 über eine API für nichtkommerzielle Forschung verfügbar. Kommerzielle Forschungsanwendungen befinden sich in einer privaten Preview. Geplant sind außerdem AlphaGenome-2-Skills für Google Antigravity, damit spezialisierte Genomvorhersagen in wissenschaftliche Arbeitsabläufe eingebunden werden können. Diese angekündigte Integration ist nicht mit einer bereits allgemein verfügbaren Agentenfunktion gleichzusetzen.
Für die Nutzung braucht ein Forschungsteam wissenschaftliches Verständnis, die passende Einwilligung und rechtmäßige Verarbeitung genetischer Daten, nachvollziehbare Vergleichsexperimente und eine klare Grenze zwischen Modellvorhersage und gesichertem Befund. Das Modell ersetzt weder Laborvalidierung noch medizinische Entscheidungsprozesse. DeepMind erklärt ausdrücklich, dass AlphaGenome 2 nicht für klinische oder diagnostische Zwecke validiert oder zugelassen ist.
AgentenCode-Einordnung: Die KI macht Hypothesen präziser
AlphaGenome 2 ist ein bemerkenswerter Schritt für allgemeine KI-Anwendungen in der Wissenschaft, weil es biologische Vielfalt nicht nur als großen Durchschnitt behandelt. Die Verbindung aus langen DNA-Sequenzen, Zellzuständen und Millionen gemessener Einzelzellen könnte helfen, besser begründete Forschungsfragen zu stellen. Gerade bei komplexen Krankheiten ist es oft wichtig, nicht nur die DNA-Variante, sondern auch den betroffenen Zelltyp zu kennen.
Die Grenzen sind ebenso relevant wie die Leistungswerte. Ein besserer Benchmark ist kein Ersatz für experimentelle Reproduzierbarkeit, unabhängige Fehlerraten und validierte klinische Anwendungen. Das mögliche Zusammenspiel mit wissenschaftlichen KI-Agenten eröffnet langfristig neue Abläufe, aber eine produktive Umsetzung benötigt dieselben Prinzipien wie andere kritische Systeme: nachvollziehbare Prüfung, Datenminimierung und menschliche Verantwortung.
Häufige Fragen
Was ist AlphaGenome 2?
Ein von Google DeepMind am 11. November 2026 vorgestelltes KI-Forschungsmodell, das Auswirkungen von DNA-Varianten in bestimmten Zelltypen und Zuständen vorhersagt.
Wie gut ist AlphaGenome 2?
Auf einem konkreten TenK10K-Immunzell-Benchmark meldet Google 30 statt 16 Prozent identifizierte ursächliche Varianten gegenüber einer angepassten Vorgängerversion. Das ist keine allgemeine Diagnosegenauigkeit.
Kann AlphaGenome 2 Krankheiten diagnostizieren?
Nein. DeepMind bezeichnet das Modell als reines Forschungswerkzeug, das weder für klinische noch diagnostische Zwecke validiert oder zugelassen wurde.
Ist AlphaGenome 2 frei verfügbar?
Für nichtkommerzielle Forschung bietet DeepMind Zugang über eine API; kommerzielle Forschung ist zunächst auf eine private Preview begrenzt.
RECHERCHE & EINORDNUNG
Quellen zu diesem Artikel
Die folgenden Originalveröffentlichungen bilden die Grundlage dieser Analyse. Sie sind direkt nachprüfbar.
- Google DeepMind – AlphaGenome 2 research announcement, 11 November 2026
- Google DeepMind – AlphaGenome 2 original research manuscript
- AlphaGenome – official scientific API documentation
Stand: 15. November 2026. Herstellerangaben, Rollout und Preview-Funktionen sind nicht unabhängig verifiziert; keine eigene Sicherheitszertifizierung.