Google DeepMind udostępnił 8 września 2026 roku AlphaGenome Atlas, bazę zawierającą wyliczone z wyprzedzeniem przewidywania molekularnych skutków wszystkich 9 miliardów możliwych zmian pojedynczej litery w ludzkim genomie. Zbiór zajmuje petabajt danych, jest bezpłatny dla badaczy akademickich i wprowadza pojedynczą liczbę, wynik AVI, która porządkuje warianty według przewidywanej siły oddziaływania na biologię komórki.
- Google DeepMind udostępnił 8 września 2026 roku AlphaGenome Atlas – bazę o wielkości 1 petabajta zawierającą wyliczone z wyprzedzeniem przewidywania molekularnych skutków wszystkich 9 miliardów możliwych zmian pojedynczej litery w ludzkim genomie, dostępną bezpłatnie dla badaczy akademickich.
- W retrospektywnym teście na rozwiązanych przypadkach konsorcjum GREGoR wynik AVI umieszczał znany wariant sprawczy wśród 50 najwyżej ocenionych kandydatów pacjenta w 29,5 procent przypadków, wobec 12,5 procent dla standardowego narzędzia CADD.
- Kierownik zespołu AlphaGenome, Žiga Avsec, przyznał, że model radzi sobie gorzej z wariantami w enhancerach niż z wpływającymi na splicing i promotory, a dokładność przewidywań nie dorównuje temu, co AlphaFold osiągnął dla struktury białek.
Ludzki genom liczy około 3 miliardów liter, a każdą z nich można zamienić na jedną z trzech pozostałych zasad. Stąd 9 miliardów wariantów jednonukleotydowych, czyli wszystkich możliwych podmian pojedynczej zasady. Przetestowanie ich w laboratorium jest niewykonalne, a uruchamianie dużego modelu osobno dla każdego kandydata zajmowało zbyt dużo czasu, żeby prowadzić analizy w skali całego genomu.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Atlas zamienia model uruchamiany na żądanie w gotową tablicę do przeszukiwania
AlphaGenome Atlas powstał przez wcześniejsze przeliczenie predykcji modelu AlphaGenome dla każdej możliwej zmiany zasady w genomie referencyjnym i zapisanie wyników. Efektem jest zbiór o wielkości 1 petabajta, ponad trzydziestokrotnie większy niż baza AlphaFold, która zawiera ponad 200 milionów przewidywanych struktur białek.
Według materiału Google DeepMind na jeden wariant przypada średnio około 27 tysięcy pojedynczych przewidywań, obejmujących między innymi ekspresję genów, splicing RNA i dostępność chromatyny, w setkach typów komórek i tkanek człowieka oraz myszy. Zespół ocenił dodatkowo ponad 100 milionów krótkich insercji i delecji zaobserwowanych w populacyjnych bazach danych, w tym w brytyjskim UK Biobank i amerykańskim programie All of Us.
Atlas składa się z czterech powiązanych zasobów:
- przewidywania efektów molekularnych dla każdego z 9 miliardów wariantów,
- wynik AlphaGenome Variant Impact (AVI), pojedyncza liczba opisująca przewidywany wpływ wariantu,
- rozbicie wyniku AVI na czynniki składowe, takie jak splicing, ekspresja genu, dostępność chromatyny czy konserwacja ewolucyjna sekwencji,
- katalog ponad 2500 powtarzalnych motywów DNA wraz z ich lokalizacjami w genomie.
Baza jest dostępna od 8 września przez przeglądarkowy portal do zastosowań niekomercyjnych, przez API AlphaGenome oraz jako umiejętność w środowisku Google Antigravity. Dostęp komercyjny ma pojawić się w Google Cloud, ale firma nie podała ani terminu, ani warunków licencji. Pushmeet Kohli, wiceprezes DeepMind odpowiedzialny za zespół AI dla nauki, powiedział na spotkaniu z dziennikarzami, że po raz pierwszy kompleksową mapę zmienności genetycznej człowieka można otworzyć w przeglądarce. Odniósł się przy tym do Projektu Poznania Ludzkiego Genomu, zakończonego w 2003 roku:
„Jak mówi powiedzenie, kupiliśmy książkę, ale nie zrozumieliśmy, jak ją czytać” / „As the saying goes, we bought the book, but we did not understand how to read it”
Wynik AVI ma ustawić warianty w kolejce, a nie postawić diagnozę
AVI łączy przewidywania AlphaGenome dotyczące regulacji genów z przewidywaniami modelu AlphaMissense, który ocenia warianty zmieniające białka. Skala działa podobnie do znanych badaczom miar logarytmicznych: wynik 10 umieszcza wariant wśród 10 procent najsilniej oddziałujących zmian w genomie, a wynik 30 wśród najsilniejszej jednej na tysiąc.
Powód, dla którego DeepMind w ogóle zbudował taką miarę, jest prozaiczny. Od premiery AlphaGenome z modelu skorzystało przez API około 9 tysięcy badaczy, jak podała Nature’owi Dhavi Hariharan, menedżerka produktu w DeepMind. Powtarzającą się prośbą użytkowników było uproszczenie wyniku do jednej liczby, która pozwoli zdecydować, czy danym wariantem w ogóle warto się zajmować.
Rozbicie wyniku na czynniki składowe pokazuje, co konkretnie napędza ocenę. Dzięki temu badacz widzi, czy wariant został wskazany z powodu przewidywanego wpływu na splicing, na poziom ekspresji genu, czy na strukturę samego białka.
Wariant w genie DNM1 zmienił klasyfikację po analizie w Atlasie
Najbardziej konkretnym testem Atlasu przed premierą był powrót do nierozwiązanych przypadków chorób rzadkich. Laura Covill i Anne O’Donnell-Luria z Broad Institute, pracujące w ramach konsorcjum GREGoR, użyły wyniku AVI do ponownej priorytetyzacji wariantów u pacjentów bez postawionej diagnozy genetycznej.
U pacjenta z encefalopatią padaczkową Atlas wskazał wariant w genie DNM1, ważnym dla funkcjonowania synaps w komórkach mózgu. 69 procent wyniku pochodziło ze splicingu: model przewidział, że zmiana tworzy nieprawidłowe miejsce składania w izoformie genu występującej wyłącznie w mózgu, przez co powstające białko wydłuża się o 13 aminokwasów. Wcześniejsze sekwencjonowanie RNA z krwi nie dało rozstrzygnięcia, ponieważ ten fragment praktycznie nie ulega tam ekspresji. Eksperymenty laboratoryjne potwierdziły przewidywanie, a wariant przeklasyfikowano jako prawdopodobnie patogenny.
W retrospektywnym teście na wcześniej rozwiązanych przypadkach GREGoR wynik AVI umieszczał znany wariant sprawczy wśród 50 najwyżej ocenionych kandydatów pacjenta w 29,5 procent przypadków, wobec 12,5 procent dla metody CADD, jednego ze standardowych narzędzi rankingowych.
Widzę tu dwie rzeczy naraz i obie są ważne. Pierwsza to realna zmiana w dostępności: badacz bez umiejętności programowania i bez dostępu do dużej mocy obliczeniowej dostaje w przeglądarce to, na co wcześniej trzeba było mieć klaster i bioinformatyka. Dla zespołów pracujących nad chorobami rzadkimi, gdzie diagnoza potrafi zająć lata, to nie jest kosmetyka.
Druga rzecz jest bardziej niepokojąca. Sam DeepMind mówi, że przewidywania nie są prawdą objawioną, ale liczba w tabeli działa na ludzi inaczej niż zdanie z zastrzeżeniem. Wynik AVI 32 wygląda jak fakt, choć jest hipotezą do sprawdzenia w laboratorium. Przypadek DNM1 pokazuje właściwą kolejność: model wskazał, eksperyment potwierdził, dopiero potem zmieniono klasyfikację wariantu. Pytanie, ile zespołów zatrzyma się na pierwszym kroku, bo drugi kosztuje.
Osobno zwracam uwagę na model biznesowy. Baza jest darmowa dla nauki, ale komercyjny dostęp ma iść przez Google Cloud, a siostrzana Isomorphic Labs również ma potrzebować licencji. To znajomy schemat: warstwa referencyjna staje się publicznym dobrem, a monetyzacja przenosi się o poziom wyżej.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Filtrowanie wariantów przez Atlas dało 22 procent więcej powiązań w UK Biobank
Gareth Hawkes, stypendysta Medical Research Council na University of Exeter, zastosował Atlas do danych całogenomowych ponad 54 tysięcy uczestników UK Biobank. Szukał rzadkich wariantów niekodujących wpływających na stężenia białek krążących we krwi. Filtrowanie kandydatów według przewidywanego efektu molekularnego dało 22 procent więcej powiązań niż ta sama analiza bez Atlasu, a w jednym przypadku zawęziło region z 526 kandydatów do czterech. Wskazane w ten sposób warianty regulują między innymi poziomy białek PLA2G7, wiązanego ze starzeniem, oraz EGLN1, komórkowego czujnika tlenu.
Hawkes użył Atlasu również do przeszukania setek milionów wariantów niekodujących pod kątem powiązań ze wskaźnikiem masy ciała. Ograniczenie analizy do 1 procent wariantów ocenionych przez Atlas jako najsilniej oddziałujące pozwoliło wskazać 19 regionów genomu.
Trzeci obszar zastosowań dotyczy samych reguł działania genomu. Julia Zeitlinger i Melanie Weilert ze Stowers Institute for Medical Research wykorzystały mapy motywów, żeby rozdzielić czynniki transkrypcyjne według tego, co faktycznie robią: które wpływają wyłącznie na dostępność DNA, a które również włączają i wyłączają geny.
Twórcy Atlasu przyznają, że przewidywania nie zastępują eksperymentu
DeepMind sam wskazuje ograniczenia zbioru. Žiga Avsec, kierujący zespołem AlphaGenome, powiedział, że model radzi sobie dobrze z niektórymi klasami wariantów, na przykład wpływającymi na splicing i promotory, ale gorzej z innymi, zwłaszcza w enhancerach. Zaznaczył też, że dokładność przewidywań nie dorównuje temu, co AlphaFold osiągnął dla struktury białek. Towarzysząca premierze publikacja opisuje Atlas jako narzędzie badawcze, które może stanowić tylko jeden z elementów łańcucha dowodowego w diagnostyce klinicznej, i wymienia luki w danych treningowych oraz ograniczoną zdolność uchwycenia efektów pośrednich.
Zewnętrzni badacze oceniają premierę podobnie. Martin Kircher, bioinformatyk z Max Delbrück Centre for Molecular Medicine w Berlinie, powiedział Nature, że Atlas nie zastąpi eksperymentów ani analizy indywidualnego przypadku pacjenta:
„To użyteczny i hojny sposób na zwiększenie skali dostępu do mocnego modelu” / „This is a useful and generous way to scale up access to a strong model”
Ewan Birney, dyrektor European Bioinformatics Institute przy EMBL, zapowiedział, że jego instytucja pracuje nad włączeniem wyniku AVI do Variant Effect Predictor w bazie Ensembl, jednego z najczęściej używanych narzędzi anotacji wariantów. Mafalda Dias i Jonathan Frazer, biolodzy obliczeniowi z Centre for Genomic Regulation w Barcelonie, wskazali w korespondencji z Nature, że badacze chorób rzadkich sięgali dotąd po mniej wymagające obliczeniowo modele właśnie dlatego, że uruchomienie AlphaGenome dla całego genomu było poza zasięgiem większości zespołów.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polscy badacze dostają Atlas za darmo, ale własnych genomów wciąż mają niewiele
AlphaGenome Atlas trafia do polskich naukowców w momencie, w którym krajowa infrastruktura genomiczna dopiero powstaje. 1 stycznia 2026 roku ruszył projekt „Genomika dla Polski” (G4PL), największe dotąd przedsięwzięcie genomiczne w kraju, finansowane z programu Fundusze Europejskie dla Nowoczesnej Gospodarki. Bierze w nim udział 12 jednostek naukowych i badawczych, a liderem konsorcjum jest Instytut Chemii Bioorganicznej PAN. Wartość projektu wynosi ponad 248 mln zł przy dofinansowaniu przekraczającym 180 mln zł, a realizacja potrwa do końca 2029 roku. Kieruje nim dr hab. Luiza Handschuh, prof. ICHB PAN.
Skala jest jednak nieporównywalna z zasobami, na których testowano Atlas. G4PL zakłada pozyskanie DNA od 6 do 7 tysięcy dawców, a dotychczasowe zasoby konsorcjantów to około 11 tysięcy sekwencji pełnych genomów. Hawkes analizował dane ponad 54 tysięcy uczestników UK Biobank. Estonia, przywoływana w komunikacie PAN jako punkt odniesienia, dysponuje około 200 tysiącami genotypów swoich mieszkańców, czyli danymi jednej piątej dorosłej populacji. W europejskiej inicjatywie 1+ Million Genomes Polska pozostaje wyłącznie obserwatorem, choć nowe polskie dane populacyjne mają trafić do bazy budowanej w projekcie Genome of Europe.
Dla polskich zespołów oznacza to prostą asymetrię. Warstwa interpretacyjna, czyli przewidywanie, co dany wariant robi w komórce, jest od 8 września dostępna bezpłatnie i bez bariery obliczeniowej dla każdego badacza akademickiego, także w Polsce. Brakuje natomiast drugiej połowy równania: dużych, dobrze opisanych zbiorów genomów polskiej populacji, do których tę warstwę można przyłożyć. Warianty częste w populacji polskiej i nieobecne w globalnych bazach nie staną się widoczne dlatego, że Google przeliczył wszystkie możliwe podmiany zasad.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł, w tym oficjalnego komunikatu Google DeepMind z dnia 08.09.2026, materiału Nature autorstwa Ewena Callawaya oraz relacji Fortune autorstwa Jeremy’ego Kahna, obu z 08.09.2026. Polski kontekst opracowano na podstawie komunikatu Polskiej Akademii Nauk o projekcie „Genomika dla Polski” z dnia 22.01.2026.
Cytaty Pushmeeta Kohliego, wiceprezesa DeepMind ds. badań, oraz Martina Kirchera z Max Delbrück Centre for Molecular Medicine zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Dane liczbowe dotyczące wyniku AVI, przypadku DNM1 i analiz UK Biobank pochodzą z komunikatu Google DeepMind oraz z relacji Fortune i Nature opartych na towarzyszącej premierze publikacji naukowej.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o AlphaGenome Atlas, warunkach komercyjnego dostępu do bazy oraz jej wykorzystaniu w polskich projektach genomicznych.
