Am 8. September 2026 hat Google DeepMind den AlphaGenome Atlas veröffentlicht: eine kostenlose, vorab berechnete Karte, die jede der rund 9 Milliarden möglichen Ein-Buchstaben-Änderungen in der menschlichen DNA bewertet. Statt ein Modell auszuführen, gibt ein Forscher eine Variante ein und liest die Vorhersage ab.
Die zentrale Zahl ist der AVI-Score (AlphaGenome Variant Impact): eine Zahl pro Variante, die einordnet, wie wahrscheinlich eine Änderung relevant ist. Er funktioniert sowohl für die 2 % des Genoms, die Proteine kodieren, als auch für die 98 %, die das nicht tun, also genau den Teil, den die Wissenschaft bisher kaum lesen konnte.
Er ist wirklich nützlich und wirklich begrenzt. Labore können jetzt in Sekunden nachschlagen, was früher eigene Rechenleistung oder Laborarbeit erforderte, aber die Scores sind Vorhersagen, keine Beweise, und DeepMind betont ausdrücklich, dass er nicht für die klinische Diagnose gedacht ist. Die tiefere Lehre, die über die Genomik hinausreicht, betrifft die Verpackung: Der Gewinn ist kein neues Modell, sondern ein schwieriges Modell, das sich einfach benutzen lässt.
Was der AlphaGenome Atlas eigentlich ist
Der AlphaGenome Atlas ist eine Datenbank, kein Chatbot. DeepMind hat sein AlphaGenome-Modell erschöpfend über das menschliche Genom laufen lassen und jedes Ergebnis gespeichert. Das Resultat nennt DeepMind „den umfassendsten Katalog dazu, wie genetische Mutationen die Molekularbiologie beeinflussen", und er ist groß: rund 1 Petabyte an Vorhersagen, mehr als 30-mal so groß wie die AlphaFold Database.
Der Umfang ist der Punkt. Für jede Variante enthält der Atlas Tausende Vorhersagen zu molekularen Effekten, verteilt auf Hunderte menschliche und Maus-Zelltypen und -Gewebe. DeepMinds Demis Hassabis hat den Anspruch direkt formuliert:
"With AlphaFold we mapped the protein universe - now with AlphaGenome Atlas we're charting the human genome..."
Zwei Namen gehören dazu: Die Arbeit wird Pushmeet Kohli, VP of Science bei DeepMind, und Žiga Avsec zugeschrieben, der die Genomik-Arbeit leitet.
Das Problem dahinter: die 98 %, die wir nicht lesen konnten
Das ist der Kontext, der das Ganze wichtig macht. Nur etwa 2 % des menschlichen Genoms kodieren Proteine. Die übrigen rund 98 % sind nicht kodierende DNA, der Teil, der bestimmt, wann, wo und wie stark Gene an- und abgeschaltet werden.
Das ist ein Problem, weil die meisten krankheitsassoziierten Varianten, die genomweite Assoziationsstudien liefern, genau in diesem nicht kodierenden Bereich liegen, wo ihre Wirkung bisher ein Rätsel war. Eine solche Variante bekommt ein frustrierendes Etikett: „Variante unklarer Signifikanz". Man sieht sie, kann aber nicht sagen, was sie tut. Vor dem Atlas hieß die Klärung, das Modell selbst laufen zu lassen oder langsame, teure Laborarbeit zu leisten.
Das Versprechen: Man kann Varianten jetzt nach vorhergesagter Wirkung ordnen, statt alle zu testen. Julia Zeitlinger vom Stowers Institute beschrieb den Effekt treffend:
"gives us a searchable dictionary for non-coding DNA"
Der AVI-Score: eine Zahl für jede Variante
Was man im Atlas tatsächlich abliest, ist der AlphaGenome-Variant-Impact-Score (AVI), eine einzelne Zahl dafür, wie stark eine Änderung voraussichtlich ins Gewicht fällt. Der clevere Kniff: Er kombiniert zwei Modelle, AlphaGenome für regulatorische (nicht kodierende) Effekte und AlphaMissense für proteinverändernde (kodierende) Effekte. So liegen eine kodierende und eine nicht kodierende Variante auf derselben Skala und lassen sich direkt vergleichen.
Die Skala ist logarithmisch, was leicht falsch gelesen wird, deshalb hier die einfache Version:
| AVI-Score | Ungefähre Bedeutung |
|---|---|
| 10 | Unter den 10 % wirkungsstärksten Varianten im Genom |
| 30 | Unter den stärksten ~1 von 1.000 Varianten |
Und es ist keine Blackbox-Zahl. Jeder AVI-Score lässt sich in additive Beiträge zerlegen, und zwar aus interpretierbaren Kategorien wie Chromatin-Zugänglichkeit, Spleißen und Konservierung. So sieht man, welcher molekulare Prozess voraussichtlich gestört wird, nicht nur dass etwas gestört wird. DeepMind berichtet, der Score liefere „best-in-class performance across many variant pathogenicity and rare-disease benchmarks."
Unter der Haube: Wie AlphaGenome DNA liest
Der Atlas ist eine Nachschlagetabelle, aber befüllt hat ihn das AlphaGenome-Modell, erstmals im Juni 2025 veröffentlicht. Es lohnt sich zu verstehen, wie es ein Genom liest, denn darauf beruhen die Scores.
Das Modell nimmt jeweils einen Abschnitt von 1 Million Basenpaaren DNA und verarbeitet ihn mit einer U-Net-artigen Architektur mit zentralem Transformer-Turm, einer Encoder-dann-Decoder-Form, die teilweise von AlphaFold übernommen wurde. Der lange Kontext erlaubt es, einen regulatorischen Schalter mit einem Gen weit entfernt auf dem Strang zu verbinden, und die Vorhersagen reichen bis zur Auflösung einzelner Basenpaare. Aus diesem einen Durchlauf sagt es über 11 funktionelle genomische Modalitäten hinweg voraus, darunter Genexpression, RNA-Spleißen, Chromatin-Zugänglichkeit und Genomfaltung. Neben den Variantenscores katalogisiert der Atlas außerdem mehr als 2.500 wiederkehrende DNA-Motive samt ihren Positionen im Genom.
Atlas oder das Modell selbst ausführen
Wenn AlphaGenome schon existierte, warum dann der Atlas? Wegen Geschwindigkeit und Zugang. Ein Modell dieser Größe live und Variante für Variante auszuführen, reicht für eine Handvoll Abfragen, ist aber für genomweite Arbeit aussichtslos. Alle 9 Milliarden möglichen Änderungen so zu testen, ist schlicht nicht machbar.
Also hat DeepMind die Antworten vorab berechnet. Diese eine Entscheidung macht aus einem Forschungsmodell etwas, das eine Biologin an einem Dienstagnachmittag nutzen kann. Jonathan Sebat, psychiatrischer Genetiker an der UC San Diego, beschrieb die Wirkung im Alltag nüchtern:
"Our own workflows in the lab can be streamlined quite a bit because we don't actually have to compute anything. We literally can just look up everything."
Dieser Wechsel zum Nachschlagen zeigt sich schon in echter Arbeit. Ein Team am Broad Institute hat gemeinsam mit dem GREGoR Consortium AVI-Scores genutzt, um eine nicht kodierende Variante zu priorisieren, und zwar als möglichen Auslöser einer schweren Epilepsie bei einem Patienten. In einem verwandten Fall wies die Vorhersage sogar auf den Mechanismus hin: eine Variante, die eine falsche Spleißstelle erzeugte.
So nutzt man ihn in der Praxis
Es gibt drei Zugänge, je nachdem, wer man ist.
| Zugang | Für wen / Kosten | Geeignet für |
|---|---|---|
| Web-Portal ohne Code | Akademisch, kostenlos | Eine Variante ganz ohne Code nachschlagen |
| AlphaGenome-API (GitHub) | Nicht kommerziell, kostenlos (Apache 2.0) | Eigene Analysen im kleinen bis mittleren Maßstab |
| Google Cloud Model Garden | Kommerzielle Lizenz | Unternehmen, Wirkstoffforschung |
Für die meisten Forschenden ist das Portal die eigentliche Geschichte: eine Variante auf einer Website eingeben und den AVI-Score samt Aufschlüsselung nach Modalität ablesen, ganz ohne Programmierkenntnisse. Wer es skripten will: Die API ist ein Python-Paket (dna_client, mit den Aufrufen predict_variant und score_variant), das für nicht kommerzielle Nutzung kostenlos ist. Der Zugang ist für das Feld offenbar schon wichtig: Laut DeepMind hatten bereits rund 9.000 Forschende AlphaGenome über die API genutzt, noch bevor der Atlas es zum Anklicken machte.
Wo die Grenzen liegen
Diesen Teil haben viele Berichte zum Start übergangen, dabei ist er der wichtigste für alle, die entscheiden wollen, wie viel sie einem Score trauen.
DeepMind stellt offen klar, dass der Atlas für keinen klinischen Einsatz zugelassen ist und keine professionelle Diagnose ersetzt. Er ist ein Priorisierungswerkzeug. Und er ist weniger genau als sein berühmtes Geschwister: Experten merken an, der Atlas sei deutlich weniger genau als die AlphaFold-Datenbank, obwohl er viel größer ist, weil die Vorhersage der Genregulation ein verrauschteres Problem ist als die von Proteinstrukturen. Martin Kircher vom Max-Delbrück-Centrum fasste es fair zusammen:
"This is a useful and generous way to scale up access to a strong model" ... it "won't replace experiments or, in the case of diagnosing disease, accounting for differences specific to individuals."
Die schärfste Prüfung kam von Praktikern auf Hacker News, und sie ist hörenswert. Ein Kommentator mit erkennbarem Biologie-Hintergrund widersprach der Idee, Scores einzelner Varianten ließen sich sauber in medizinischen Wert übersetzen:
"on their own, with the exception of a few diseases, individual SNP predictions are meaningless in terms of actual pathogenicity."
Ein anderer nannte einen subtilen methodischen Haken: Stützen sich die Benchmark-Labels auf evolutionäre Konservierung, kann ein Modell teils dadurch gut aussehen, dass es ein Signal neu liest, das es ohnehin schon bekommen hat. Und ein wiederkehrendes Thema war, dass Karten einzelner Varianten Biologie übersehen, die nur sichtbar wird, wenn mehrere Änderungen zusammenwirken, was ein Score pro Einzelvariante nicht erfassen kann. Nichts davon macht den Atlas nutzlos; es macht ihn zu dem, was DeepMind sagt: ein Ausgangspunkt, keine Antwort.
Was das bedeutet, wenn man mit AI baut
Ich schreibe das von der Softwareseite, nicht aus dem Labor, und was mir hängen geblieben ist, ist nicht die Genomik. Es ist die Produktentscheidung darunter.
AlphaGenome gab es über ein Jahr lang als API. Mächtig, aber vor allem für Leute erreichbar, die Rechenleistung aufsetzen und Python schreiben konnten. Der Atlas hat das Modell nicht klüger gemacht. Er hat die harte Arbeit vorab erledigt und sie in etwas verpackt, das man einfach benutzen kann, sodass eine Biologin eine Antwort nachschlägt, statt sich eine zu erarbeiten. Diese Lücke zwischen „hier ist ein leistungsfähiges Modell" und „hier ist etwas, das die Arbeit erledigt" entscheidet, ob AI meist angenommen oder aufgegeben wird.
Genau dieses Muster ist uns bei eesel wichtig. Ein rohes Modell ist Infrastruktur; was ein Team einstellt, ist ein Mitarbeiter. eesel ist eine Plattform für AI-Teammates, und die Teammates kommen einsatzbereit: heute ein AI-Helpdesk-Teammate, der in Ihre Support-Warteschlange einsteigt und Ihr Help Center bereits kennt, sowie ein AI-Blog-Autor. Sie verkabeln kein Modell und hoffen auf das Beste; die schwere Einrichtung ist erledigt, damit der Teammate am ersten Tag nützlich ist, so wie der Atlas in dem Moment nützlich ist, in dem man ihn aufruft.
eesel ausprobieren
Wenn der AlphaGenome Atlas eine Lehre darin ist, ein mächtiges Modell wirklich nutzbar zu machen, dann ist das die ganze Idee hinter eesel für Support- und Content-Teams. Statt Ihnen ein Modell und eine leere Konfiguration in die Hand zu drücken, gibt eesel Ihnen einen Teammate, der Ihren Kontext schon kennt, und lässt Sie ihn erproben, bevor er einen Kunden berührt, indem er Ihre echten vergangenen Tickets simuliert.
Und weil viele Teams ihre Werkzeuge inzwischen aus einem Terminal oder einem Coding-Agent heraus steuern, gibt es eine eesel CLI: derselbe Teammate und derselbe Workspace, den Sie im Dashboard verwalten, gesteuert über die Kommandozeile. Ein Mensch kann sie direkt nutzen, ein Skript kann sie automatisieren, und Coding-Agents wie Claude Code, Codex oder Cursor können sie bedienen: die Anweisungen eines Teammates einsehen, eine Testnachricht senden, strukturierte Ergebnisse zurücklesen und eine begrenzte Änderung zur Freigabe durch einen Menschen vorschlagen. Es ist die Philosophie ohne Verkabelung und mit Nachschlagen, angewandt auf Support-Automatisierung. Sie können eesel kostenlos ausprobieren.
Häufig gestellte Fragen
Was ist der AlphaGenome Atlas?
Der AlphaGenome Atlas ist eine kostenlose Datenbank von Google DeepMind, die am 8. September 2026 startete und die vorhergesagte molekulare Wirkung jeder möglichen Ein-Buchstaben-Änderung in der menschlichen DNA vorab berechnet. Sie umfasst rund 9 Milliarden Einzelnukleotid-Varianten und gibt jeder einen AlphaGenome-Variant-Impact-Score (AVI) mit, den man ohne eine Zeile Code nachschlagen kann.
Was bedeutet der AVI-Score?
Der AlphaGenome-Variant-Impact-Score ist eine einzelne Zahl, die einordnet, wie stark eine Variante voraussichtlich die Funktion beeinflusst. Ein AVI von 10 platziert eine Variante unter den 10 % wirkungsstärksten im Genom; ein AVI von 30 unter den stärksten etwa 1 von 1.000. Er kombiniert die Modelle AlphaGenome und AlphaMissense, sodass kodierende und nicht kodierende Varianten auf einer Skala liegen.
Ist der AlphaGenome Atlas kostenlos?
Ja, für akademische und andere nicht kommerzielle Nutzung, sowohl über das Web-Portal ohne Code als auch über die AlphaGenome-API auf GitHub (Apache 2.0). Für kommerzielle Nutzung, etwa in der Wirkstoffforschung, ist eine Lizenz über den Model Garden von Google Cloud nötig.
Kann der AlphaGenome Atlas Krankheiten diagnostizieren?
Nein. DeepMind erklärt, der Atlas sei für keinen klinischen Einsatz validiert oder zugelassen und kein Ersatz für eine professionelle Diagnose. Er ist ein Werkzeug zur Priorisierung in der Forschung, das einordnet, welche Varianten eine Untersuchung wert sind. Jedes Ergebnis braucht weiterhin eine experimentelle Bestätigung.
Wie unterscheidet sich der AlphaGenome Atlas von AlphaFold?
AlphaFold sagt Proteinstrukturen voraus; AlphaGenome sagt voraus, wie die DNA-Sequenz, einschließlich der nicht kodierenden 98 % des Genoms, die Genaktivität steuert. Der Atlas-Datensatz ist mit rund 1 Petabyte etwa 30-mal größer als die AlphaFold Database, doch DeepMind weist darauf hin, dass die Vorhersage der Genregulation schwieriger ist und der Atlas weniger genau ist als AlphaFold.