Alisina NawabiAlphaGenome Atlas voorspelt de moleculaire effecten van circa negen miljard mogelijke DNA-letterwissels, maakte Google DeepMind op 8 september bekend, zodat onderzoekers varianten kunnen rangschikken zonder ze één voor één te testen.
Voor een Nederlandse biotechonderneming, universiteit of R&D-afdeling verschuift daarmee de eerste onderzoeksstap: van afzonderlijke zoekopdrachten naar varianten naar een vooraf berekende kaart waarin kandidaten snel te vinden en te prioriteren zijn. De atlas is alleen voor niet-commercieel onderzoek beschikbaar, terwijl Google commerciële toegang via Cloud later wil aanbieden. Wie de kaart in een commercieel ontwikkelproces wil gebruiken, krijgt dus eerst met toegangsvoorwaarden te maken.
Van losse voorspelling naar atlas
AlphaGenome, het AI-model waarop de atlas voortbouwt, voorspelt hoe varianten processen zoals genexpressie, RNA-splicing en DNA-regulatie beïnvloeden. DeepMind rekent die voorspellingen vooraf uit voor alle varianten en koppelt ze aan duizenden moleculaire effecten over honderden celtypen en weefsels. Het resultaat is een dataset van 1 petabyte, ruim dertig keer groter dan de AlphaFold Database, meldt The Decoder.
De atlas is te gebruiken via een webportal, API en een skill voor Google Antigravity. Daardoor kunnen onderzoekers de voorspellingen doorzoeken zonder zelf eerst een model of een grote rekenomgeving op te zetten. De technische drempel daalt, maar de commerciële gebruiksgrens blijft voorlopig staan.
Eén score voor prioritering
Duizenden voorspellingen per variant zijn te veel om los te lezen. Daarom introduceert DeepMind de AlphaGenome Variant Impact-score, AVI. Die combineert AlphaGenome met AlphaMissense, het model voor eiwitveranderende varianten, tot één rangorde. Bij elke score laat de atlas zien welke signalen bijdragen, bijvoorbeeld veranderde RNA-splicing of genexpressie.
De score werkt voor het coderende deel, ongeveer 2 procent van het genoom, en het niet-coderende deel, de overige 98 procent. Juist in dat niet-coderende gebied zitten veel varianten die genactiviteit sturen en lastig te interpreteren zijn. Voor een onderzoeksteam betekent dat niet dat de oorzaak automatisch vaststaat. Wel wordt de lijst van kandidaten kleiner en de reden voor de rangschikking beter zichtbaar.
De AVI-score is dus geen kans op ziekte en geen ja-of-neeverdict. Het is een hulpmiddel om mogelijke impact te ordenen en de onderliggende kenmerken te bekijken. Voor teams die onderzoeksdata delen met collega’s, partners of investeerders maakt dat het onderscheid tussen een prioriteit voor vervolgonderzoek en een bewezen uitkomst zichtbaar.
Eerste onderzoeksresultaten
De eerste toepassingen richten zich op zeldzame ziekten en populatiegenetica. In onderzoek naar een onopgeloste zeldzame ziekte hielp AVI een eerder over het hoofd geziene variant in DNM1 hoog op de kandidatenlijst te zetten. Een laboratoriumexperiment ondersteunde vervolgens het voorspelde effect op RNA-splicing. Dat is een onderzoeksresultaat, geen klinische goedkeuring.
Een tweede toepassing komt van Gareth Hawkes aan de University of Exeter. Hij groepeerde zeldzame varianten met vergelijkbare voorspelde effecten in gegevens van meer dan 54.000 deelnemers aan de UK Biobank. Die aanpak bracht 22 procent meer verbanden tussen niet-coderende varianten en eiwitniveaus aan het licht dan conventionele filters.
Voor vroege medicijnontwikkeling zit de winst daarom vooral vóór het experiment. Onderzoekers kunnen eerst bepalen welke varianten, regelmechanismen en mogelijke doelwitten het meest kansrijk zijn, en daarna gerichter tijd en materiaal inzetten. De atlas vervangt die experimenten niet, maar maakt de selectie ervoor systematischer.
Geen diagnosemachine
AlphaGenome Atlas is een onderzoekslaag, geen klinisch hulpmiddel. DeepMind waarschuwt dat de voorspellingen niet zijn gevalideerd of goedgekeurd voor klinisch gebruik. De atlas dekt ook niet elk celtype en mist effecten die ontstaan doordat andere regulerende eiwitten in verschillende hoeveelheden aanwezig zijn.
De praktische grens is daarmee helder: de waarde zit niet in een automatisch oordeel over een patiënt, maar in het sneller kiezen van welke variant, welk mechanisme en welk experiment eerst aandacht verdient. Dat maakt genomische data voor R&D beter doorzoekbaar, terwijl de bewijsvoering bij onderzoekers en laboratoria blijft.
Veelgestelde vragen
Van genoomdata naar onderzoek
Ik help biotech- en onderzoeksorganisaties om complexe data en AI van eerste ontwerp tot werkende, geautomatiseerde toepassing te brengen. Ik denk mee, ontwerp en realiseer end-to-end, met self-hosted oplossingen waar dat kan.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
