Google DeepMind mapuje niekodujące DNA: AlphaGenome Atlas między ambicją a granicami dokładności

8 września 2026 roku Google DeepMind przedstawił AlphaGenome Atlas — cyfrowe archiwum wstępnie policzonych przewidywań dotyczących molekularnego wpływu wariantów ludzkiego DNA. Baza obejmuje dziewięć miliardów wariantów pojedynczego nukleotydu, mapując każdą możliwą zmianę jednej litery w genomie. Przy objętości około petabajta — ponad trzydzieści razy więcej niż baza AlphaFold — Atlas skupia się na DNA niekodującym, które stanowi mniej więcej 98% materiału genetycznego i reguluje działanie białek. Dotąd korzystanie z modelu AlphaGenome wymagało wysokich kompetencji programistycznych i sporej infrastruktury obliczeniowej; wraz z tą publikacją firma przenosi obliczenia na swoją stronę i udostępnia wyniki bezpośrednio przez portal internetowy, bezpłatny do użytku niekomercyjnego.

By dokończyć mapowanie, zespół musiał przyspieszyć obliczenia modelu mniej więcej osiemdziesięciokrotnie, jak podaje IEEE Spectrum. Szef genomiki w Google DeepMind, Žiga Avsec, podkreślił ogrom pracy inżynierskiej, jakiej wymagało przedsięwzięcie, a wiceprezes firmy Pushmeet Kohli stwierdził, że zrozumienie tego języka życia może otworzyć bardzo wiele. Atlas wprowadza AlphaGenome Variant Impact (AVI) — pojedynczy wskaźnik pomyślany tak, by porządkować i streszczać przewidywania z AlphaGenome i AlphaMissense, stosowalny zarówno do regionów kodujących, jak i niekodujących. Chronologia modeli jest jasna: po AlphaFold w 2020 i AlphaMissense w 2023 model AlphaGenome ogłoszono w 2025, a opisano w artykule w Nature w styczniu 2026. Według Scientific American użytkownicy komercyjni — na przykład firmy farmaceutyczne — muszą wykupić licencję, natomiast dla badaczy akademickich dostęp pozostaje darmowy; blog DeepMind zapowiada użycie komercyjne 'wkrótce' w Google Cloud, bez podania daty ani cen.

Mimo potencjalnego znaczenia środowisko naukowe i niezależne źródła wskazują szereg udokumentowanych luk. Scientific American donosi, że Atlas jest znacznie mniej dokładny niż baza AlphaFold i należy go traktować wyłącznie jako punkt wyjścia. Model ma ograniczenia strukturalne: nie potrafi ocenić schorzeń wymagających jednoczesnej obecności kilku wariantów, a enhancery regulujące geny z bardzo dużej odległości mogą wypaść poza okno miliona par zasad, które model bada wokół każdego wariantu. O samym wskaźniku wpływu genomik z University of British Columbia Carl de Boer mówi, że ma jasne zastosowanie, ale prawdopodobnie łatwo będzie go źle zinterpretować. Co do wartości pracy jest jednoznaczny: zrozumienie, jak zmiany wpływają na regulację, jest kluczowe dla zrozumienia większości chorób. Sam DeepMind zaznacza, że dane z Atlasu nie zastępują porady, diagnozy ani leczenia i nie zostały zwalidowane ani dopuszczone do użytku klinicznego. Metodologicznie pozostaje pytanie otwarte: artykuł w Nature ze stycznia 2026 dotyczy modelu AlphaGenome, natomiast w przypadku Atlasu blog odsyła do technicznego dokumentu PDF; nic nie wskazuje, by publikacji towarzyszyła praca recenzowana.

Strategia DeepMind powtarza schemat znany z AlphaFold: najpierw model, potem baza, która czyni go dostępnym dla tych, którzy nie mają ani kodu, ani GPU. Sprowadzenie biologicznej złożoności do jednego wskaźnika sprawdzanego w przeglądarce obniża próg wejścia, ale realna użyteczność zmierzy się tym, czy laboratoria nie pomylą wstępnie policzonej mapy z danymi klinicznymi — zwłaszcza przy braku niezależnej walidacji. — Olya