AlphaGenome Atlas er Google DeepMinds forskningsdatabase med AI-forudsigelser for cirka ni milliarder mulige enkeltbogstavsændringer i menneskets arvemasse. Den kan hjælpe forskere med at prioritere genetiske varianter og undersøge deres molekylære virkning, men den er hverken en genetisk test, en diagnose eller et godkendt klinisk værktøj.
AlphaGenome Atlas samler AI-forudsigelser for cirka ni milliarder mulige enkeltbogstavsændringer i menneskets arvemasse. Du får overblik over AVI-scoren, forskningsanvendelser, dokumenterede resultater og grænsen mellem variantprioritering, laboratoriebevis og klinisk vurdering samt betydningen af genetiske data under GDPR.
Hvad har Google DeepMind lanceret?
Google DeepMind offentliggjorde AlphaGenome Atlas den 8. september 2026. Databasen indeholder på forhånd beregnede forudsigelser fra AlphaGenome-modellen for alle cirka ni milliarder mulige enkelt-nukleotidvarianter i det menneskelige referencegenom. Datasættet fylder omkring én petabyte.
Atlas er tilgængeligt gennem en webportal og AlphaGenome API til akademisk, ikke-kommerciel forskning. Den eksisterende grundmodel kan også hentes med forskningskode og modelvægte på særlige vilkår, mens Google varsler kommerciel adgang til Atlas gennem Google Cloud. En database, et API og en lokalt kørende model er derfor tre forskellige adgangsformer.
Hvad er en enkelt-nukleotidvariant?
DNA består af en lang rækkefølge af fire kemiske baser. En enkelt-nukleotidvariant, ofte forkortet SNV, er en position, hvor én base er erstattet af en anden. Da menneskets genom rummer omkring tre milliarder basepar, findes der omtrent ni milliarder mulige udskiftninger: tre alternative baser på hver position.
De fleste mulige ændringer er ikke nødvendigvis skadelige. Nogle har ingen målbar virkning, mens andre kan ændre et protein, RNA-splejsning eller reguleringen af et gen. Atlas forudsiger sådanne molekylære effekter; det fastslår ikke alene, om en person får en sygdom.
Hvordan virker AlphaGenome Atlas?
AlphaGenome analyserer DNA-sekvenser på op til én million basepar og forudsiger blandt andet genaktivitet, splejsning, kromatinforhold og kontaktmønstre i arvemassen. Modellen sammenligner en referencesekvens med en ændret sekvens og beregner, hvordan varianten kan påvirke disse biologiske signaler på tværs af celletyper og væv.
Atlas gør den proces hurtigere ved at gemme beregningerne på forhånd. En forsker kan slå en variant op i stedet for at sende hver enkelt sekvens gennem modellen. Det er et eksempel på, hvordan AI i genetisk forskning kan bruges til at sortere et meget stort søgerum før laboratorieforsøg.
Hvad måler AVI-scoren?
AlphaGenome Variant Impact-scoren, AVI, samler forudsigelser fra AlphaGenome og AlphaMissense i ét tal. Den dækker både proteinændrende varianter og varianter uden for de proteinkodende områder. Til hver score følger bidrag fra 18 egenskaber, så forskeren kan se, om resultatet eksempelvis drives af forventet splejsning, genaktivitet eller proteinpåvirkning.
Scoren er et prioriteringsmål, ikke en sandsynlighed for sygdom. Forskningsrapporten beskriver, at AVI under træningen blandt andet brugte sjældenhed i befolkningsdata som en indirekte markør: meget sjældne varianter blev behandlet som sandsynligt betydningsfulde, mens hyppigere varianter fungerede som sandsynligt godartede eksempler. En sjælden variant er dog ikke automatisk sygdomsfremkaldende.
Hvorfor er ikke-kodende DNA centralt?
Omkring to procent af genomet koder direkte for proteiner. De resterende cirka 98 procent rummer blandt andet regulerende sekvenser, som påvirker, hvornår og hvor meget gener bliver aktive. Varianter i disse områder er vanskeligere at fortolke, fordi de ikke blot kan aflæses som en ændring i et proteins byggesten.
Atlas forbinder derfor variantscorer med forudsagte regulatoriske virkninger og mere end 2.500 tilbagevendende DNA-motiver. Et motiv er en kort sekvens, som eksempelvis kan være bindingssted for et protein, der tænder eller dæmper genaktivitet. Koblingen kan give en testbar forklaring på, hvorfor en variant får en høj score.
Hvad viser de første forskningsresultater?
I en undersøgelse af en hidtil uløst sjælden sygdom blev AVI brugt til at prioritere en variant i DNM1-genet. AlphaGenome forudsagde, at varianten skabte et forkert splejsningssted, og efterfølgende laboratorieforsøg understøttede den mekanisme. Det er et eksempel på en modelbaseret hypotese, som blev fulgt af eksperimentel kontrol.
I en anden analyse af mere end 54.000 deltagere fra UK Biobank gav gruppering efter Atlas-egenskaber 22 procent flere statistiske fund for sjældne, ikke-kodende varianter. Rapporten oplyser samtidig, at analysen brugte en lidt ældre intern Atlas-version på grund af midlertidig nedetid i UK Biobanks analyseplatform. Tallet kan derfor ikke uden videre overføres til alle datasæt eller den offentliggjorte version.
Hvad kan forskere bruge Atlas til?
Det mest oplagte formål er at indsnævre, hvilke varianter der bør undersøges nærmere. Genomdata kan indeholde millioner af forskelle, og laboratorieafprøvning af dem alle er urealistisk. Atlas kan rangere kandidater og pege på en mulig mekanisme, så tid og forsøg koncentreres om et mindre antal hypoteser.
- Prioritering af varianter i forskning i sjældne genetiske sygdomme.
- Analyse af ikke-kodende varianter bag komplekse biologiske egenskaber.
- Undersøgelse af regulatoriske DNA-motiver i bestemte celler og væv.
- Udvælgelse af kandidater til målrettet eksperimentel validering.
Arbejdsformen minder om andre former for AI i biomedicinsk forskning: modellen reducerer søgerummet, mens biologiske forsøg og faglig vurdering afgør, om hypotesen holder.
Hvad kan Atlas ikke afgøre?
Atlas kan ikke på egen hånd diagnosticere en sygdom, vælge behandling eller erstatte klinisk genetisk vurdering. Google DeepMind skriver udtrykkeligt, at AlphaGenome ikke er valideret eller godkendt til klinisk brug. En molekylær forudsigelse siger heller ikke nødvendigvis, hvor stærkt en variant påvirker et menneskes helbred.
| Niveau | Spørgsmål | Nødvendig kontrol |
|---|---|---|
| AI-forudsigelse | Kan varianten ændre en molekylær proces? | Sammenligning med andre modeller og kendte data |
| Forskningsresultat | Kan den forventede virkning måles? | Laboratorieforsøg og uafhængig reproduktion |
| Klinisk fortolkning | Har varianten betydning for en bestemt person? | Kliniske retningslinjer, øvrige fund og sundhedsfaglig vurdering |
Grænserne ligner problemet med fejl i AI-genererede resultater, men genomiske modeller kræver en mere præcis kontrol: usikkerheden skal prøves mod biologiske målinger, ikke kun mod en tekstkilde.
Hvordan adskiller Atlas sig fra en genetisk test?
En genetisk test måler DNA fra en konkret prøve og identificerer de varianter, der findes hos personen. AlphaGenome Atlas indeholder derimod beregnede effekter for mulige varianter i et referencegenom. Det producerer ikke i sig selv en persons genomdata og fortæller ikke, hvilke varianter en bestemt person bærer.
De to kan mødes i et forskningsforløb, når varianter fra sekventering sammenholdes med Atlas. Resultatet er fortsat en prioriteret analyse, ikke et klinisk svar. Prøvekvalitet, nedarvning, symptomer, befolkningsdata og etablerede klassifikationsregler indgår også i en sundhedsfaglig fortolkning.
Hvad betyder Atlas for forskning i Danmark?
Forskningsgrupper ved universiteter og hospitaler kan bruge den gratis portal til ikke-kommercielle projekter uden selv at beregne alle ni milliarder varianter. Det kan sænke den tekniske adgangstærskel, især når formålet er at undersøge få gener, varianter eller regulatoriske områder. Adgangen dokumenterer dog ikke, at Atlas er valideret på bestemte patientgrupper i Danmark.
Et realistisk forsøg bør sammenholde AVI med eksisterende værktøjer, kendte varianter og lokale laboratoriedata. Forskerne bør registrere modelversion, referencegenom, vævstype, tærskler og efterfølgende eksperimenter, så resultatet kan reproduceres. AI-resultatet får først vægt gennem den samlede evidens.
Hvilke data- og brugsforhold skal kontrolleres?
Selve Atlas-databasen består af forudsigelser for mulige varianter, men et projekt kan kombinere den med genomdata fra identificerbare personer. Datatilsynet klassificerer genetiske data som en særlig kategori af personoplysninger, hvor behandlingsgrundlag, formålsbegrænsning, adgang, opbevaring og sikkerhed skal være afklaret.
En forskningsgruppe bør derfor holde referenceopslag og personhenførbare data adskilt, hvor det er muligt, og undersøge, hvilke oplysninger der sendes til portal, API eller cloudtjeneste. AI Mentors gennemgang af databeskyttelse ved AI-API’er forklarer de generelle kontrolpunkter. AlphaGenome-vilkårene begrænser desuden Atlas-output til ikke-kommerciel brug, indtil en relevant kommerciel adgang anvendes.
Hvad er den faglige betydning?
AlphaGenome Atlas ændrer først og fremmest hastigheden og skalaen i hypotesedannelse. Forskere får et samlet kort, hvor kodende og ikke-kodende varianter kan prioriteres med samme score og undersøges gennem underliggende molekylære signaler. Den forklarende del er værdifuld, fordi den kan pege på et konkret forsøg.
Databasen gør ikke forudsigelserne til biologiske kendsgerninger. Resultaterne bygger på en model, indirekte træningsmærker og bestemte evalueringsdatasæt. Den varige gevinst afhænger derfor af, om uafhængige forskningsgrupper kan gentage fundene, opdage skævheder og dokumentere ny viden gennem laboratorier og klinisk forskning.
Hvilke kilder ligger til grund?
Artiklen bygger på Google DeepMinds lancering af AlphaGenome Atlas, den tilhørende forskningsrapport og den officielle API-dokumentation. Databeskyttelsesdelen følger Datatilsynets oversigt over personoplysninger.