# Google DeepMind bringt AlphaGenome 2 für Multi-Tissue-Chromatin-3D-Faltung und epigenomische Modellierung auf den Markt

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/de/article/google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morn-de
Section: AI (https://technewslist.com/de/ai)
Author: TechNewsList
Language: de
Published: 2026-10-17T05:40:27.942+00:00
Updated: 2026-10-17T05:40:28.14268+00:00

> Google DeepMind veröffentlicht AlphaGenome 2, ein Basismodell, das den Kontext auf 1 MB skaliert, um die 3D-Chromatinfaltung und Variantenregulation in 150 menschlichen Geweben vorherzusagen.

## TL;DR
- Google DeepMind führte am 16. Oktober 2026 AlphaGenome 2 ein, um die 3D-Chromatinarchitektur und Genregulation anhand linearer DNA zu modellieren.
- Das biologische Grundlagenmodell skaliert die Sequenzmodellierung auf kontinuierliche Ein-Megabase-Kontextfenster mit hoher Vorhersagegenauigkeit.
- Das auf mehr als 150 menschliche Primärzelltypen und Gewebe trainierte Modell bewertet nicht-kodierende pathogene Mutationen in Sekundenschnelle.
- Akademische Forscher erhalten API-Zugriff, um die Zielerkennung für die Präzisionsonkologie und seltene genetische Störungen zu beschleunigen.

## Key points
- AlphaGenome 2 verarbeitet 1-Megabasen-DNA-Fenster, um distale Enhancer-Promotor-Schleifen und topologische Assoziationsdomänen aufzulösen.
- Die Architektur integriert strukturierte Zustandsraumschichten mit geringer Aufmerksamkeit, um die Rechengrenzen des quadratischen Transformators zu umgehen.
- Die Ausgaben sagen gleichzeitig die RNA-seq-Expression, die Zugänglichkeit des Chromatins, Histonmarkierungen und Hi-C-Kontaktmatrizen voraus.
- Das Modell erreichte einen Spearman-Korrelationskoeffizienten von 0,88 im Vergleich zu unabhängigen experimentellen Promotor-Enhancer-Kontakt-Benchmarks.
- Über 98 Prozent der nicht-kodierenden menschlichen genetischen Variation können mittlerweile funktionell auf Transkriptionsstörungen untersucht werden.

## Was passiert ist

Am 16. Oktober 2026 stellte Google DeepMind AlphaGenome 2 vor, ein bahnbrechendes biologisches Grundlagenmodell, das in der Lage ist, die dreidimensionale Chromatinarchitektur, epigenetische Marker und Genexpression direkt aus linearer DNA-Sequenz über mehrere menschliche Gewebe hinweg vorherzusagen. Das Modell wurde in enger Zusammenarbeit mit Forschern von EMBL-EBI und Broad Institute entwickelt und stellt die bislang umfassendste rechnerische Rekonstruktion der menschlichen Genomregulation dar.

Während frühe Genommodelle kurze Sequenzfenster von wenigen Kilobasen auswerteten, skaliert AlphaGenome 2 die Transformer-Sequenzmodellierung auf kontinuierliche Genomintervalle von einer Megabase. Diese dramatische Kontexterweiterung ermöglicht es dem neuronalen Netzwerk, distale Enhancer-Promotor-Wechselwirkungen, topologische assoziierende Domänengrenzen und komplexe strukturelle Umlagerungen zu erfassen, die die Zelldifferenzierung und die Krankheitsätiologie bestimmen.

![Vollständiger menschlicher Chromosomensatz mit Bandenmustern und Chromatinorganisation, auf die 3D-Genomfaltungsarchitekturen abzielen.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792214208710-z40t11-google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morning-inside-1-45f65a0080.webp)
*Vollständiger menschlicher Chromosomensatz mit Bandenmustern und Chromatinorganisation, auf die 3D-Genomfaltungsarchitekturen abzielen.*

Basierend auf standardisierten funktionellen Genomdatensätzen, die über 150 primäre menschliche Zelltypen, fötale Gewebe und Krebszelllinien umfassen, liefert AlphaGenome 2 hochauflösende prädiktive Karten der zelltypspezifischen Genaktivität, ohne dass für jede einzelne Gewebevariante destruktive Nasslabortests erforderlich sind.

## Warum es wichtig ist

Über 98 Prozent des menschlichen Genoms bestehen aus nichtkodierenden Sequenzen, die umgangssprachlich lange Zeit fälschlicherweise als Junk-DNA bezeichnet wurden. Jahrzehntelange genomweite Assoziationsstudien haben gezeigt, dass sich die überwiegende Mehrheit der krankheitsassoziierten genetischen Varianten in diesen nicht-kodierenden Regionen befinden und nicht durch die Veränderung von Protein-Aminosäuresequenzen wirken, sondern durch die Störung von Transkriptionsschaltern und weitreichenden Chromosomenschleifen.

In der Vergangenheit erforderte die Bestimmung, ob eine einzelne Nukleotidvariante in einer Enhancer-Region Auswirkungen auf ein entferntes Onkogen hat, monatelange, mühsame Laborexperimente, darunter CRISPR-Aktivierungsscreens, Tests zur Erfassung der Chromosomenkonformation und Reportergenvalidierungen. Bei seltenen genetischen Erkrankungen und komplexen polygenen Erkrankungen führte dieser experimentelle Engpass dazu, dass Millionen von Patientenvarianten als Varianten mit ungewisser Bedeutung eingestuft wurden.

AlphaGenome 2 bietet Molekulargenetikern und therapeutischen Entwicklern ein prädiktives In-silico-Mikroskop. Durch die sekundenschnelle Simulation der präzisen physikalischen und biochemischen Konsequenzen jedes einzelnen Nukleotidaustauschs oder strukturellen Einbaus in 150 Gewebekontexten beschleunigt die Plattform die Zielerkennung für die Präzisionsonkologie, Autoimmunerkrankungen und vererbte angeborene Syndrome erheblich.

## Technische Details

Die neuronale Kernarchitektur von AlphaGenome 2 verbindet ein Ultra-Langkontext-erweitertes Transformator-Rückgrat mit äquivarianten Vorhersageköpfen für mehrere Aufgaben. Das Modell nimmt rohe lineare DNA-Sequenz-Tokens auf und verarbeitet weitreichende Nukleotidinteraktionen über hierarchische Aufmerksamkeitsschichten, die für biologische Sequenzsymmetrien optimiert sind.

Um die quadratische Rechenkomplexität zu überwinden, die der Standardaufmerksamkeit über Ein-Megabase-Sequenzen innewohnt, implementierten die Forscher von Google DeepMind strukturierte Zustandsraumschichten gepaart mit lokalen, spärlichen Aufmerksamkeitsfenstern. Dieser Hybridansatz ermöglicht es dem Modell, sowohl lokale Transkriptionsfaktor-Bindungsmotive, die sich über sechs bis zwölf Basenpaare erstrecken, als auch makroskopische Chromatin-Faltungsschleifen, die sich über Hunderte von Kilobasen erstrecken, aufzulösen.

![Mit Pipetten und Testplatten ausgestatteter biomedizinischer Labortisch zur experimentellen Validierung genomischer Vorhersagen durch maschinelles Lernen.](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792214210489-mx22nn-google-deepmind-launches-alphagenome-2-multi-tissue-chromatin-2026-10-17-morning-inside-2-9afbba1dc8.webp)
*Mit Pipetten und Testplatten ausgestatteter biomedizinischer Labortisch zur experimentellen Validierung genomischer Vorhersagen durch maschinelles Lernen.*

Das Modell gibt gleichzeitig multimodale Genomprofile aus und sagt die RNA-seq-Transkriptionshäufigkeit, DNase I- und ATAC-seq-Chromatinzugänglichkeitsspitzen, Anreicherungen von ChIP-seq-Histonmodifikationen und hochauflösende Hi-C-Chromosomenkontakthäufigkeitsmatrizen voraus. In strengen Benchmark-Bewertungen anhand unabhängiger experimenteller Datensätze erreichte AlphaGenome 2 einen Spearman-Korrelationskoeffizienten von 0,88 für die Vorhersage des Promotor-Enhancer-Kontakts und übertraf damit frühere spezialisierte Architekturen deutlich.

## Auswirkungen auf Markt und Branche

Die Einführung von AlphaGenome 2 verschärft den Wettlauf in der computergestützten Biologie zwischen Entwicklern von Grundlagenmodellen und Pharmariesen. Nach dem transformativen Einfluss von AlphaFold auf die strukturelle Proteomik stellt die KI-gesteuerte Sequenz-zu-Funktions-Genomik die nächste Grenze in der computergestützten Arzneimittelforschung dar.

Biotechnologieunternehmen und multinationale Pharmaunternehmen richten ihre Pipelines im Frühstadium rasch auf prädiktive Genommodelle aus. Durch die Identifizierung krankheitsverursachender nichtkodierender regulatorischer Knotenpunkte können Therapieentwickler gezielte Antisense-Oligonukleotide, kleine interferierende RNAs und CRISPR-Base-Editing-Therapien entwickeln, die darauf zugeschnitten sind, die Genexpression mit chirurgischer Präzision zu modulieren.

Darüber hinaus integrieren akademische Forschungskonsortien und Labore für klinische Diagnostik AlphaGenome-Vorhersagen in klinische Interpretationspipelines. Die Automatisierung der funktionellen Klassifizierung nicht-kodierender Patientenvarianten verspricht eine Steigerung der diagnostischen Ausbeute bei nicht diagnostizierten pädiatrischen genetischen Störungen und bietet Antworten für Familien, die zuvor jahrelange diagnostische Odysseen hinter sich hatten.

## Worauf man als Nächstes achten sollte

Google DeepMind hat sich verpflichtet, verifizierten akademischen Forschern und gemeinnützigen wissenschaftlichen Einrichtungen ab November 2026 einen subventionierten API-Zugriff auf AlphaGenome 2 zu bieten, begleitet von einem offenen Webportal für die explorative Variantenbewertung.

Unabhängige Validierungsstudien, die von klinischen Genomik-Netzwerken durchgeführt werden, werden Anfang 2027 veröffentlicht und die Vorhersagekraft des Modells in potenziellen Patientenkohorten bei Herz-Kreislauf-Erkrankungen und neurologischen Störungen bewerten.

Schließlich werden die Forscher die laufenden Bemühungen verfolgen, die Fähigkeiten von AlphaGenome auf die synthetische Multigenom-Biologie auszudehnen und so das generative De-novo-Design synthetischer Promotoren und künstlicher Genschaltkreise für fortschrittliche Zell- und Gentherapien zu ermöglichen.

## Quellen

- [Google DeepMind Forschungsblog](https://deepmind.google/discover/blog/alphagenome-2-epigenomic-3d-chromatin-folding/): Technische Veröffentlichung, die die AlphaGenome 2-Transformator-Architektur, 1-MB-Kontextfenster und Multi-Gewebe-Chromatin-Kontakt-Benchmarks detailliert beschreibt.
- [Nachrichten aus der Naturbiotechnologie](https://www.nature.com/articles/d41587-026-00412-x): Peer-Review-Analyse, die untersucht, wie die Langstrecken-DNA-Sequenzmodellierung pathogene nicht-kodierende Mutationen genau identifiziert.
- [Feature des Wissenschaftsmagazins](https://www.science.org/content/article/deepmind-alphagenome-2-predicts-epigenome-3d-genome-structure): Wissenschaftliche Bewertung des klinischen Übersetzungspotenzials für die Entdeckung von Wirkstoffzielen in der Onkologie und das Screening seltener genetischer Krankheiten.

Mentions: Google DeepMind, EMBL-EBI, Broad Institute

## Sources
- [Google DeepMind Forschungsblog](https://deepmind.google/discover/blog/alphagenome-2-epigenomic-3d-chromatin-folding/)
- [Nachrichten aus der Naturbiotechnologie](https://www.nature.com/articles/d41587-026-00412-x)
- [Feature des Wissenschaftsmagazins](https://www.science.org/content/article/deepmind-alphagenome-2-predicts-epigenome-3d-genome-structure)