AlphaGenome lanseras – AI förutser hur DNA-varianter påverkar gener

AlphaGenome lanseras – AI förutser hur DNA-varianter påverkar gener

Den 25 juni 2025 presenterade Google DeepMind AlphaGenome, en AI-modell som kunde analysera upp till en miljon DNA-baser och förutsäga hur genetiska varianter påverkar flera biologiska processer. Modellen riktades mot forskning om genreglering, sjukdomsmekanismer och de stora delar av arvsmassan som inte direkt kodar för proteiner.

Marketplace sammanfattar lanseringen i efterhand. AlphaGenome var ett forskningsverktyg och inte ett kliniskt diagnostiksystem. Modellen kunde hjälpa forskare prioritera varianter och formulera hypoteser, men resultaten behövde verifieras experimentellt och kunde inte ensamma avgöra en patients risk eller behandling.

AlphaGenome i korthet

| Punkt | Uppgift vid presentationen |
|---|---|
| Lanseringsdatum | 25 juni 2025 |
| Utvecklare | Google DeepMind |
| Huvuduppgift | Förutsäga hur DNA-varianter påverkar genreglering |
| Inmatning | DNA-sekvenser upp till en miljon baspar |
| Utdata | Tusentals molekylära egenskaper och signaler |
| Upplösning | Förutsägelser på basparsnivå för flera uppgifter |
| Första tillgång | API för icke-kommersiell forskning |
| Begränsning | Forskningsmodell, inte godkänd klinisk diagnostik |

Varför behövs en modell för icke-kodande DNA?

En liten del av människans DNA innehåller instruktioner för proteiner. Mycket av resten påverkar när, var och hur starkt gener används.

Genetiska varianter i dessa regulatoriska områden kan påverka:

• om en gen slås på eller av
• hur mycket RNA som produceras
• hur RNA klipps och sammanfogas
• vilka proteiner som kan binda till DNA
• hur kromatinet är organiserat
• vilka celltyper som påverkas

Att förstå sådana effekter är svårt eftersom en variant kan ligga långt från den gen den påverkar och verka olika i olika celler.

AlphaGenome utvecklades för att sammanföra flera typer av regulatoriska förutsägelser i samma modell.

En miljon baspar ger bredare sammanhang

Många biologiska effekter beror på DNA-sekvenser långt från själva varianten. Ett långt inmatningsfönster gör det möjligt att se större regulatoriska områden.

AlphaGenome kunde bearbeta en sekvens på upp till en miljon baspar och samtidigt ge detaljerade utdata.

Detta var tekniskt betydelsefullt eftersom modeller ofta behöver välja mellan:

• långt sammanhang
• hög upplösning
• många olika utdata

DeepMind beskrev AlphaGenome som en modell som kombinerade dessa egenskaper bättre än tidigare system.

Ett långt sekvensfönster garanterar dock inte att modellen förstår alla biologiska relationer. Genreglering påverkas även av cellmiljö, utvecklingsstadium, sjukdom och tredimensionell kromatinstruktur.

Vilka biologiska signaler kunde förutsägas?

AlphaGenome kunde förutsäga flera typer av molekylär aktivitet, bland annat:

• genuttryck
• RNA-splicing
• tillgängligt kromatin
• histonmodifieringar
• transkriptionsfaktorbindning
• kontakt mellan DNA-regioner
• var transkription börjar och slutar

En gemensam modell kan hjälpa forskare se hur samma variant påverkar flera nivåer samtidigt.

Det betyder inte att varje utdata är lika tillförlitlig. Kvaliteten beror på träningsdata, celltyp, sekvens och vilken biologisk process som analyseras.

Jämförelse mellan referens och variant

Ett centralt arbetsflöde var att jämföra två nästan identiska DNA-sekvenser:

1. referenssekvensen
2. samma sekvens med en genetisk variant

Modellen beräknade skillnaden i förutsagda biologiska signaler. En stor skillnad kunde indikera att varianten är funktionellt viktig.

Detta kan användas för att prioritera vilka varianter som bör testas vidare. Men en stor modellskillnad bevisar inte att varianten orsakar sjukdom.

Forskaren behöver även väga in:

• populationsdata
• familjehistorik
• laboratoriefynd
• kliniska observationer
• alternativa mekanismer
• osäkerhet i modellen

RNA-splicing

Splicing är processen där delar av ett RNA-transkript sätts samman. Felaktig splicing kan leda till sjukdom.

AlphaGenome kunde förutsäga hur varianter påverkar splice sites och olika RNA-former. DeepMind visade bland annat exempel där modellen kunde hjälpa till att identifiera mekanismer bakom sällsynta genetiska tillstånd.

Splicing är ett område där små sekvensförändringar kan få stora effekter, men modeller kan missa vävnadsspecifika regler eller ovanliga mekanismer.

Ett resultat bör därför valideras med RNA-data eller andra experiment när det ska användas i forskning eller klinisk utveckling.

Cancerforskning

Cancer innehåller ofta många mutationer. Endast en del driver tumörens utveckling, medan andra är passagerarvarianter utan avgörande effekt.

AlphaGenome kunde användas för att prioritera icke-kodande mutationer som kan påverka genreglering.

Möjliga användningsområden:

• identifiera regulatoriska drivermutationer
• förstå förändrat genuttryck
• föreslå experiment
• jämföra tumörtyper
• analysera mutationer nära onkogener

Modellen kan inte ensam avgöra vilken behandling en patient ska få. Cancerbeslut kräver klinisk diagnostik, patologi, molekylära tester och medicinskt ansvar.

Sällsynta sjukdomar

Många patienter med misstänkt genetisk sjukdom får inget tydligt svar från standardanalys. En variant kan ligga utanför de proteinkodande delarna och därför vara svår att tolka.

AlphaGenome kunde hjälpa forskare prioritera sådana kandidater. Men klinisk variantklassificering följer etablerade riktlinjer och kräver flera typer av bevis.

En modellförutsägelse är normalt stödjande information, inte ensam grund för klassificeringen ”sjukdomsorsakande”.

Forsknings-API

DeepMind gjorde AlphaGenome tillgängligt genom ett API för icke-kommersiell forskning. Det sänkte tröskeln för laboratorier som saknade resurser att drifta en stor modell själva.

Forskarna kunde skicka sekvenser och få förutsägelser för vidare analys.

API-användning kräver kontroll av:

• vilka genetiska data som skickas
• om materialet kan identifiera en person
• samtycke och etikgodkännande
• var data behandlas
• hur länge den lagras
• om resultatet får användas kommersiellt

Genetiska uppgifter är särskilt känsliga eftersom de är långvariga och även kan säga något om biologiska släktingar.

Benchmarkresultat

DeepMind rapporterade att AlphaGenome matchade eller överträffade specialiserade modeller på en stor del av de utvärderade uppgifterna.

Det är viktigt att skilja mellan:

• genomsnittligt benchmarkresultat
• kvalitet för en viss variant
• kvalitet i en viss celltyp
• klinisk validitet

En modell kan vara bäst i genomsnitt och ändå göra fel i det enskilda fall som betyder mest.

Oberoende forskning och prospektiva studier behövs innan modeller av detta slag får större klinisk roll.

Vad modellen inte fångar fullt ut

AlphaGenome hade begränsningar. Den modellerade inte automatiskt hela organismens biologi.

Svåra områden inkluderar:

• mycket avlägsna regulatoriska effekter
• dynamisk tredimensionell kromatinstruktur
• kombinationer av flera varianter
• miljöfaktorer
• utvecklingsstadier
• sällsynta celltyper
• skillnader mellan laboratoriedata och levande vävnad

Forskaren behöver därför kombinera modellen med andra datakällor och biologisk kunskap.

AlphaGenome jämfört med AlphaFold

| AlphaGenome | AlphaFold 3 |
|---|---|
| Analyserar DNA-sekvens och regulatorisk effekt | Förutsäger molekylära strukturer och interaktioner |
| Fokus på genetiska varianter | Fokus på proteiner, DNA, RNA och ligander i 3D |
| Utdata om genreglering | Utdata om struktur och bindning |
| Kan prioritera regulatoriska mutationer | Kan hjälpa förstå molekylära komplex |

Modellerna kompletterar varandra. En DNA-variant kan först analyseras med AlphaGenome och dess möjliga proteineffekt därefter studeras med strukturverktyg.

Läs vår historiska artikel om AlphaFold 3 och molekylära interaktioner.

Svensk forskning och vård

Sverige har starka register, biobanker och forskningsmiljöer inom genomik. AlphaGenome-liknande verktyg kan ge värde i:

• sällsynta sjukdomar
• cancerforskning
• precisionsmedicin
• populationsgenetik
• funktionell genomik

Men genetiska data kräver strikta regler för etik, åtkomst och återanvändning. Ett forskningsresultat får inte utan vidare flyttas till patientvård.

AI Act och medicinteknik

En forskningsmodell kan få en annan reglering än ett system som används för kliniskt beslutsstöd. Om AlphaGenome-resultat byggs in i en diagnostisk produkt kan medicintekniska krav och AI-regler bli aktuella.

Organisationen behöver dokumentera:

1. avsett användningsområde
2. datakvalitet
3. validering
4. mänsklig kontroll
5. fel- och incidenthantering
6. hur modellversioner påverkar resultatet

Risken för genetisk determinism

AI-förutsägelser kan ge en falsk känsla av att DNA ensamt avgör framtiden. Många egenskaper påverkas av flera gener, miljö och slump.

Resultat bör därför kommuniceras med tydlig osäkerhet. En variant med en förutsagd effekt är inte samma sak som ett säkert sjukdomsöde.

Vanliga frågor

När presenterades AlphaGenome?

Google DeepMind presenterade modellen den 25 juni 2025.

Hur lång DNA-sekvens kunde modellen analysera?

Upp till en miljon baspar i samma inmatning.

Vad kunde modellen förutsäga?

Bland annat genuttryck, splicing, kromatintillgänglighet, bindning och andra regulatoriska signaler.

Kunde AlphaGenome diagnostisera patienter?

Nej. Det var ett forskningsverktyg och inte ett godkänt kliniskt diagnostiksystem.

Var modellen tillgänglig?

DeepMind erbjöd ett API för icke-kommersiell forskning under särskilda villkor.

Är genetiska data personuppgifter?

Ja, genetiska uppgifter är särskilt skyddsvärda och kräver rättslig grund, säkerhet och etisk hantering.

Sammanfattning

AlphaGenome presenterades den 25 juni 2025 och gav forskare en modell för att förutsäga hur DNA-varianter påverkar genreglering över mycket långa sekvenser.

Modellen kan hjälpa till att prioritera hypoteser inom cancer, sällsynta sjukdomar och funktionell genomik. Men förutsägelsen är inte en diagnos. Experimentell validering, kliniska riktlinjer, dataskydd och tydlig osäkerhetskommunikation är avgörande innan resultaten får påverka människor.

Faktaunderlag: Google DeepMind, ”AlphaGenome: AI for better understanding the genome”, publicerad 25 juni 2025. Artikeln är en historisk sammanfattning publicerad i efterhand.