Google DeepMind kartiert die nicht kodierende DNA: AlphaGenome Atlas zwischen Ehrgeiz und Genauigkeitsgrenzen

Am 8. September 2026 hat Google DeepMind AlphaGenome Atlas vorgestellt, ein digitales Archiv vorberechneter Vorhersagen zur molekularen Wirkung menschlicher DNA-Varianten. Die Datenbank umfasst neun Milliarden Einzelnukleotid-Varianten und kartiert damit jede mögliche Veränderung eines einzelnen Buchstabens im Genom. Mit rund einem Petabyte — mehr als dem Dreißigfachen der AlphaFold-Datenbank — konzentriert sich der Atlas auf die nicht kodierende DNA, die etwa 98 % des Erbguts ausmacht und die Aktivität der Proteine steuert. Bislang verlangte die Nutzung des Modells AlphaGenome ausgeprägte Programmierkenntnisse und erhebliche Rechenkapazität; mit dieser Veröffentlichung verlagert das Unternehmen die Rechenarbeit nach vorn und liefert die Ergebnisse direkt über ein Webportal, das für nicht kommerzielle Zwecke kostenlos ist.

Um die Kartierung abzuschließen, musste das Entwicklungsteam die Rechengeschwindigkeit des Modells um etwa das Achtzigfache steigern, wie IEEE Spectrum berichtet. Žiga Avsec, Leiter der Genomik bei Google DeepMind, hob den enormen technischen Aufwand hervor, während Vizepräsident Pushmeet Kohli erklärte, das Verständnis dieser Sprache des Lebens könne sehr vieles möglich machen. Der Atlas führt den AlphaGenome Variant Impact (AVI) ein, einen einzelnen Wert, der die Vorhersagen von AlphaGenome und AlphaMissense ordnen und zusammenfassen soll und sowohl für kodierende als auch für nicht kodierende Regionen gilt. Die Entwicklung der Modelle folgt einer klaren Chronologie: nach AlphaFold 2020 und AlphaMissense 2023 wurde AlphaGenome 2025 angekündigt und im Januar 2026 in einem Nature-Artikel beschrieben. Laut Scientific American brauchen kommerzielle Nutzer — etwa Pharmaunternehmen — eine Lizenz, während der Zugang für akademisch Forschende kostenlos bleibt; der DeepMind-Blog kündigt die kommerzielle Nutzung 'in Kürze' auf Google Cloud an, ohne Datum und ohne Preise.

Trotz der möglichen Tragweite verweisen die Fachwelt und unabhängige Quellen auf mehrere dokumentierte Lücken. Scientific American schreibt, der Atlas sei deutlich weniger genau als die AlphaFold-Datenbank und ausschließlich als Ausgangspunkt zu verstehen. Das Modell hat strukturelle Grenzen: Es kann keine Krankheitsbilder beurteilen, die das gleichzeitige Vorliegen mehrerer Varianten voraussetzen, und Enhancer, die Gene über sehr große Distanzen regulieren, können außerhalb des Fensters von einer Million Basenpaaren liegen, das das Modell um jede Variante herum betrachtet. Zum Impact-Score merkt der Genomforscher Carl de Boer von der University of British Columbia an, er habe einen klaren Nutzen, werde sich aber vermutlich leicht falsch deuten lassen. Zum Wert der Arbeit ist er eindeutig: zu verstehen, wie Veränderungen die Regulation beeinflussen, sei zentral für das Verständnis der meisten Krankheiten. DeepMind selbst stellt klar, dass die Atlas-Daten ärztlichen Rat, Diagnose oder Behandlung nicht ersetzen und für den klinischen Einsatz weder validiert noch zugelassen sind. Methodisch bleibt ein Punkt offen: Der Nature-Artikel vom Januar 2026 betrifft das Modell AlphaGenome, für den Atlas verweist der Blog dagegen auf ein technisches PDF; ob die Veröffentlichung von einer begutachteten Arbeit begleitet wird, ist nicht ersichtlich.

DeepMinds Strategie folgt dem Muster von AlphaFold: erst das Modell, dann die Datenbank, die es für alle abfragbar macht, die weder Code noch GPUs haben. Biologische Komplexität auf einen einzigen, im Browser abrufbaren Index zu reduzieren senkt die Einstiegshürde — der tatsächliche Nutzen wird sich aber daran messen, ob Labore eine vorberechnete Karte nicht mit einem klinischen Befund verwechseln, zumal eine unabhängige Validierung fehlt. — Olya