AlphaGenome 2: DeepMind sprowadza odczyt DNA do poziomu pojedynczej komórki
Google DeepMind ogłosiło AlphaGenome 2 na swoim blogu 11 listopada 2026 r. Firma przedstawia go jako model nowej generacji, który szacuje, jak sekwencje DNA i ich warianty wpływają na określone typy ludzkich komórek. Kontekst wyjaśnia, dlaczego to ważne. Większość wariantów genetycznych powiązanych z chorobami leży w niekodującym DNA, a ich efekt często zmienia się w zależności od typu komórki. Pierwsza wersja, ogłoszona w czerwcu 2025 r. i opublikowana w Nature w 2026 r., działała na poziomie tkanek. Druga schodzi niżej, do pojedynczego typu lub stanu komórki. Na tym poziomie odczytuje się dziś badania single-cell.
Najważniejsza różnica dotyczy sposobu postawienia zadania. Według opisu DeepMind AlphaGenome 1 przewiduje wszystkie ścieżki równolegle. AlphaGenome 2 jest natomiast warunkowy: otrzymuje sekwencję około miliona zasad wraz z jednym warunkiem biologicznym, czyli tkanką, typem komórki albo stanem komórki. Firma deklaruje, że do treningu użyto ponad 107 milionów indywidualnych profili komórkowych z próbek ludzkich i mysich, zarówno z danych bulk, jak i single-cell. We wstępie tego samego wpisu liczba ta zmienia się w „ponad 100 milionów” profili z 68 tkanek. Przewidywane modalności są takie same jak w pierwszej wersji: ekspresja genów, modyfikacje histonów i dostępność chromatyny. Nowością jest metylacja DNA. Model potrafi też oszacować brakującą modalność na podstawie innej, na przykład dostępność chromatyny na podstawie aktywności genów zmierzonej w pojedynczych komórkach.
Wszystkie liczby dotyczące wydajności pochodzą od DeepMind. Firma twierdzi, że AlphaGenome 2 wykrywa niemal dwa razy więcej wariantów zmieniających ekspresję genów w komórkach niż poprzedni model referencyjny, ale nie podaje wartości bezwzględnych. Najbardziej szczegółowa informacja dotyczy TenK10K, mapy single-cell obejmującej 28 typów pierwotnych komórek odpornościowych. Według DeepMind na tym zbiorze danych model wskazuje 30% wariantów przyczynowych wobec 16% w przypadku metod porównawczych, czyli oryginalnego AlphaGenome dostosowanego do danych single-cell i innych wyspecjalizowanych narzędzi. Prawidłowy kierunek wpływu na gen określa w 43% przypadków wobec 23%. Interesting Engineering podaje te same liczby. DeepMind twierdzi też, że model dostosowuje się do nowych danych single-cell, nawet z kilkudziesięciu komórek, bez ponownego trenowania, i że w takich przypadkach dorównuje modelom trenowanym specjalnie na tych danych lub je przewyższa. Na poparcie tego twierdzenia wpis nie podaje liczb. Opisowe, bez danych ilościowych, są również przedstawione studia przypadków: wariant genu ETS2 powiązany z nieswoistymi zapaleniami jelit oraz badanie szczepionki przeciw COVID-19, które odróżnia aktywowane limfocyty T od spoczynkowych.
Wpis wspomina o współpracy z badaczami z Wellcome Sanger Institute. Przytacza też dwa zewnętrzne komentarze, wybrane przez samo DeepMind. Sarah Teichmann, współzałożycielka konsorcjum Human Cell Atlas i profesor Uniwersytetu Cambridge, za najciekawszy aspekt uznaje to, że model „dostosowuje się bezpośrednio do nowych danych single-cell bez ponownego trenowania”. Peter Donnelly, prezes Genomics Limited, nazywa go „znaczącym postępem dla tej dziedziny” i zapowiada, że firma chce zintegrować go ze swoją platformą Mystra.
Według DeepMind model jest od razu dostępny do badań niekomercyjnych przez API AlphaGenome. Oficjalna dokumentacja precyzuje, że w tym zastosowaniu API jest bezpłatne, a limity zapytań zależą od zapotrzebowania. Do badań komercyjnych model jest dostępny w prywatnej wersji zapoznawczej. Firma podkreśla, że AlphaGenome i AlphaGenome 2 są przeznaczone wyłącznie do badań i nie zostały zwalidowane ani dopuszczone do zastosowań klinicznych czy diagnostycznych. Pozostaje kilka niejasności. Nie ma recenzowanej publikacji ani preprintu na arXiv czy bioRxiv. Nie mogliśmy bezpośrednio zapoznać się z dokumentem technicznym podlinkowanym na blogu, więc architektura, pełne tabele i progi precyzji nie zostały zweryfikowane z pierwszej ręki. Ani blog, ani dokumentacja nie mówią, czy wagi modelu zostaną udostępnione. Niektóre media podają dodatkowe liczby, na przykład dotyczące liczby wstępnie obliczonych wariantów, których nie znaleźliśmy w oficjalnych źródłach: blog mówi jedynie o „setkach warunków”. Wreszcie w przejrzanych mediach brakuje ocen niezależnych ekspertów.
Na razie bardziej przekonuje mnie pomysł niż liczby. Pytanie modelu, co robi wariant w tej konkretnej komórce, w tym konkretnym stanie, to właściwe pytanie, bo właśnie na tym poziomie efekt wariantu da się naprawdę zaobserwować, zamiast uśredniać go dla całej tkanki. Ale krok naprzód ogłoszony na firmowym blogu, opatrzony wyłącznie komentarzami wybranymi przez autora, to wciąż dobrze uzasadniona obietnica. Prawdziwa ocena przyjdzie, gdy inne laboratoria zadadzą modelowi pytania, których DeepMind nie wybrało.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Przeczytałam oficjalny wpis Google DeepMind z 11.11.2026 (data, autorzy, dane treningowe, modalności, wyniki na TenK10K, warunki dostępu, cytaty) oraz oficjalną dokumentację na alphagenomedocs.com (bezpłatne API do użytku niekomercyjnego, odwołanie do publikacji pierwszej wersji w Nature). Jako niezależne potwierdzenie przeczytałam Interesting Engineering (11.11.2026): te same liczby, 30% wobec 16% i 43% wobec 23%, 107 milionów profili, 68 tkanek, API niekomercyjne, prywatna wersja zapoznawcza dla zastosowań komercyjnych, wyłącznie do badań. Nie udało mi się przeczytać MarkTechPost (odmowa dostępu) ani pliku PDF z publikacją (ponad 10 MB). Wykluczyłam tematy już opublikowane: artykuł o AlphaProof Code i Signal dotyczy innego projektu DeepMind.
- Incertezze
- Wszystkie liczby dotyczące wydajności pochodzą od DeepMind. Nie przeczytałam publikacji technicznej, bo PDF przekracza limity pobierania, więc architektura, pełne tabele i progi precyzji nie są zweryfikowane z pierwszej ręki (niektóre media piszą o 90% precyzji). Nie ma recenzowanej publikacji ani preprintu na arXiv czy bioRxiv. Nie wiadomo, czy wagi zostaną udostępnione. Niektóre media podają około 7 milionów wstępnie obliczonych wariantów dla 510 warunków, ale tej liczby nie ma w oficjalnych źródłach, które przeczytałam: blog mówi tylko o „setkach warunków”. Kilka twierdzeń, takich jak specyficzność dla typu komórki i dostosowanie do nowych danych, ma charakter jakościowy i nie jest poparte liczbami. Jedyne zewnętrzne komentarze wybrało DeepMind, a w przeczytanych mediach brakuje ocen niezależnych ekspertów.
- Perché pubblicarla
- To postęp badawczy z oficjalnym źródłem pierwotnym, danymi ilościowymi i realnym dostępem dla środowiska naukowego, bo API jest bezpłatne do badań niekomercyjnych. Dotyczy genetyki chorób, tematu ważnego społecznie, i pozwala na ujęcie bez szumu medialnego: liczby podaje firma, nie ma recenzji naukowej, model nie ma zastosowania klinicznego i nie wiadomo, czy wagi zostaną udostępnione.