DeepMind apresenta o AlphaGenome 2 para rastrear como alterações no DNA afetam células específicas

Uma pista sobre uma doença encontrada em 30 minutos

O Google DeepMind apresentou o AlphaGenome 2 em 11 de novembro de 2026, após treinar o modelo de inteligência artificial com mais de 107 milhões de perfis de células individuais em 68 tecidos. Sua tarefa central é prever quais alterações no DNA afetam quais células, ajudando pesquisadores a relacionar pistas genéticas aos processos biológicos por trás das doenças.

Em uma demonstração, o modelo reproduziu em cerca de 30 minutos uma descoberta importante de um estudo de 2024 sobre doença inflamatória intestinal. Os pesquisadores passaram um ano e meio realizando experimentos para entender como uma variante do DNA aumenta a atividade do gene ETS2 em células imunes envolvidas na inflamação intestinal.

A variante está em um trecho do DNA distante do gene que controla. O AlphaGenome 2 a selecionou entre sete candidatas e previu um efeito sobre o ETS2, a cerca de 290 mil letras de DNA de distância. O DeepMind destacou a capacidade do modelo de identificar o aumento da atividade do ETS2 especificamente em macrófagos intestinais, células imunes que ajudam a defender o organismo e a eliminar resíduos celulares.

James Lee, imunologista e geneticista do Instituto Francis Crick, em Londres, que liderou o estudo anterior, descreveu o resultado computacional:

Eles conseguiram descobrir a resposta em 30 minutos, e nós levamos um ano e meio de experimentos.

Na prática, a oportunidade é ajudar os laboratórios a decidir quais experimentos devem receber atenção primeiro. O AlphaGenome 2 gera previsões sobre a atividade molecular; os pesquisadores ainda precisam de testes laboratoriais para confirmar os resultados. O DeepMind afirma que os modelos AlphaGenome se destinam à pesquisa e não foram validados nem aprovados para fins clínicos ou diagnósticos.

Por que o mesmo DNA pode se comportar de maneiras diferentes

Cerca de 2% do genoma humano contém instruções para produzir proteínas. Os aproximadamente 98% restantes são chamados de DNA não codificante. Parte dele contém sequências reguladoras que controlam quando os genes ficam ativos, onde atuam e quanto de seu produto uma célula produz.

Uma comparação útil é a de um prédio com muitos cômodos que compartilham o mesmo projeto elétrico. Cada cômodo usa interruptores diferentes. Da mesma forma, uma célula muscular cardíaca e uma célula imune carregam, em grande parte, o mesmo DNA, mas usam conjuntos diferentes de genes para desempenhar suas funções.

Uma variante do DNA é uma alteração na sequência das letras do DNA. Uma variante em um interruptor regulador pode aumentar a atividade de um gene em um tipo de célula e ter pouco efeito em outro. Seu efeito também pode mudar quando uma célula é ativada durante uma infecção ou responde à vacinação.

O anúncio do AlphaGenome 2 pelo DeepMind descreve o novo modelo como uma evolução em relação às médias gerais dos tecidos, com foco em tipos e estados celulares individuais. Isso importa porque um tecido contém uma mistura de células. Calcular a média de suas medições pode dificultar a detecção de um efeito restrito a um pequeno grupo de células.

O exemplo da doença inflamatória intestinal mostra por que a localização, por si só, pode induzir a erro. A variante está em um deserto gênico, região com poucas ou nenhuma sequência que codifique diretamente proteínas. Ela faz parte de um intensificador, uma sequência reguladora capaz de influenciar um gene distante. Para identificar essa conexão, é preciso encontrar tanto o gene-alvo quanto as células em que o interruptor atua.

Um modelo que considera a célula estudada

O AlphaGenome original, apresentado em 2025, recebia como entrada uma sequência de DNA com um milhão de letras e previa propriedades moleculares em vários tecidos e experimentos ao mesmo tempo. Suas saídas abrangiam um conjunto fixo de condições de tecidos e células, o que dificultava captar diferenças sutis entre células muito semelhantes.

Já o AlphaGenome 2 recebe como entradas tanto a sequência de DNA quanto uma condição biológica. Essa condição pode ser um tecido, um tipo de célula ou um estado celular. O modelo usa essa informação ao longo de todo o processo de previsão, concentrando-se em uma condição de cada vez.

Os pesquisadores chamam isso de modelo condicional. Em termos simples, a pergunta deixa de ser o que uma sequência de DNA faz em geral e passa a ser o que ela faz em determinado tipo de célula e em circunstâncias específicas.

O treinamento combinou medições de amostras de tecidos mistos com dados coletados de células humanas e de camundongos individuais. Abrangeu 637 tipos de células humanas e 311 tipos de células de camundongos. Os mais de 107 milhões de perfis em 68 tecidos fornecem ao modelo exemplos de como a atividade gênica varia entre células especializadas.

O comunicado de lançamento em coreano do DeepMind descreve a mesma reformulação e a inclusão de previsões de metilação do DNA. A metilação do DNA envolve marcas químicas no DNA que podem ajudar a regular a atividade gênica. Entre outras medições previstas estão a expressão gênica, alterações químicas em proteínas associadas ao DNA e a acessibilidade da cromatina, que indica o quanto o DNA está exposto à maquinaria que o lê.

O que significam os números de desempenho

O DeepMind avaliou o AlphaGenome 2 usando o TenK10K, um grande conjunto de dados que abrange 28 tipos de células imunes humanas primárias. A empresa informou que o modelo identificou 30% das variantes causais na avaliação, em comparação com 16% do AlphaGenome anterior, adaptado a dados de célula única.

Isso representa uma melhora de 14 pontos percentuais, ou cerca de 88% em relação ao resultado anterior. O número explica a afirmação do DeepMind de que o modelo identifica quase o dobro de variantes que alteram a expressão gênica em células específicas.

A capacidade de identificar a direção do efeito de uma variante também melhorou. O índice informado subiu de 23% para 43%, um ganho de 20 pontos percentuais. A direção importa porque, antes de decidir como investigar o papel de uma alteração no DNA em uma doença, o pesquisador precisa saber se ela aumenta ou reduz a atividade gênica.

Outra avaliação analisou interruptores reguladores localizados a uma distância de 100 mil a 2,5 milhões de letras de DNA de um gene. Na comparação com resultados de testes de interferência por CRISPR, que reduzem a atividade em locais específicos do DNA e medem a resposta, o AlphaGenome 2 obteve 0,62 em uma métrica que combina precisão e revocação, contra 0,48 de seu antecessor.

A precisão indica quantas das candidatas selecionadas estão corretas; a revocação, quantas das candidatas relevantes o modelo encontra. Em um limiar de confiança exigente, o artigo de pesquisa afirma que o modelo ainda deixa passar a maioria das variantes consideradas causais. Assim, os cientistas precisam escolher entre obter uma lista menor de previsões mais robustas e abranger uma gama maior de possíveis pistas.

Aprender com novos estados celulares sem retreinar

O AlphaGenome 2 também pode usar medições de células que não faziam parte de seu conjunto original de treinamento. Os pesquisadores podem enviar dados de sequenciamento de RNA de célula única, que registram a atividade gênica em células individuais, de uma amostra com apenas algumas dezenas de células.

O modelo condensa essas medições em uma representação do estado celular e a usa para orientar as previsões. Isso evita retreinar o modelo inteiro sempre que um laboratório caracteriza uma nova condição biológica.

Sarah Teichmann, cofundadora do consórcio Atlas de Células Humanas e professora de medicina de células-tronco na Universidade de Cambridge, destacou esse recurso no anúncio do DeepMind:

O que torna o AlphaGenome 2 empolgante é sua capacidade de se adaptar diretamente a novos dados de célula única, sem retreinamento, prevendo como as variantes de DNA atuam em estados celulares recém-caracterizados, mesmo com uma pequena amostra de células

Em uma demonstração com dados inéditos de um estudo sobre uma vacina de mRNA contra a COVID-19, o AlphaGenome 2 distinguiu células T ativadas de células T em repouso. As células T são células imunes cuja atividade gênica muda quando respondem a uma ameaça.

O modelo também previu que uma variante associada à COVID-19 grave interfere mais na atividade gênica em células ativadas. O exemplo inclui o estado celular na explicação genética: o efeito de uma variante pode depender do que a célula está fazendo quando é analisada pelos pesquisadores.

Os pesquisadores também podem usar um tipo de medição para prever outro que esteja faltando. Por exemplo, dados de atividade gênica podem ajudar o modelo a estimar a acessibilidade da cromatina. Esse processo, chamado imputação entre modalidades, pode ajudar um laboratório a escolher quais medições adicionais seriam mais úteis.

De um sinal genético a um possível alvo de medicamento

Os estudos de associação genômica ampla, geralmente chamados de GWAS, procuram diferenças no DNA associadas a doenças ou características em muitas pessoas. Com frequência, identificam uma região que contém várias variantes possíveis. Em seguida, os pesquisadores precisam determinar qual variante importa, qual gene ela afeta e em que parte do organismo esse efeito ocorre.

O DeepMind calculou antecipadamente previsões do AlphaGenome 2 para variantes associadas a características em centenas de condições de células e tecidos humanos. O objetivo é facilitar a análise dessas conexões sem exigir que cada laboratório execute grandes tarefas computacionais por conta própria.

As previsões também conectam intensificadores a genes-alvo em células humanas primárias, incluindo astrócitos cerebrais, que dão suporte e protegem os neurônios. Essas conexões podem ser difíceis de mapear experimentalmente porque muitos testes de CRISPR usam células estáveis cultivadas em laboratório, em vez das células especializadas encontradas no organismo.

A demonstração sobre doença inflamatória intestinal reúne essas tarefas. O modelo conecta uma variante reguladora distante ao ETS2 e identifica as células imunes relevantes. A pesquisa experimental anterior também havia identificado possíveis alvos de tratamento, oferecendo aos cientistas uma descoberta biológica com a qual comparar a previsão.

Peter Donnelly, diretor-executivo da Genomics Limited, explicou no anúncio do DeepMind a dificuldade de transformar associações genéticas em pesquisa para o desenvolvimento de medicamentos:

O GWAS é central para isso, mas é difícil passar de um sinal de associação para o que um programa de desenvolvimento de medicamentos exige.

Donnelly afirmou que a empresa espera incorporar o AlphaGenome 2 ao Mystra, sua plataforma para avaliar alvos de medicamentos usando genética humana. Não foi anunciada uma data para a integração nem resultados de uma farmacêutica que tenha usado o novo modelo.

Como se encaixa o Atlas de nove bilhões de variantes

O AlphaGenome 2 vem depois de outro lançamento do mesmo programa de pesquisa: o AlphaGenome Atlas, um catálogo com previsões para todas as nove bilhões de alterações possíveis de uma única letra do DNA no genoma humano. O DeepMind lançou o Atlas cerca de dois meses antes do anúncio do novo modelo.

A visão geral da pesquisa sobre o AlphaGenome do DeepMind descreve o Atlas como um conjunto de dados de um petabyte. Ele inclui uma pontuação de impacto de variantes do AlphaGenome, ou pontuação AVI, que ajuda os cientistas a classificar variantes segundo seus efeitos moleculares previstos.

As duas ferramentas atendem a necessidades computacionais diferentes. O modelo original oferece ampla cobertura para um catálogo enorme. O AlphaGenome 2 se concentra em perguntas mais detalhadas sobre células e estados específicos, com maior custo computacional para gerar previsões mais precisas.

Ziga Avsec, pesquisador do DeepMind que lidera a equipe AlphaGenome, descreveu o uso do modelo original para cobrir extensamente o genoma e do AlphaGenome 2 para investigar mais a fundo mecanismos de doenças e possíveis alvos de medicamentos. Para os pesquisadores, isso sugere um fluxo de trabalho que começa com uma busca ampla e depois analisa as candidatas selecionadas nas células relevantes.

O desenvolvimento seguiu uma sequência curta:

• 2024: A equipe de Lee estabeleceu, por meio de experimentos laboratoriais, o mecanismo do ETS2 na doença inflamatória intestinal.
• 2025: O DeepMind apresentou o modelo AlphaGenome original.
• Cerca de setembro de 2026: Foi lançado o AlphaGenome Atlas, com previsões para nove bilhões de alterações possíveis de uma única letra do DNA.
• 11 de novembro de 2026: O DeepMind anunciou o AlphaGenome 2 e o acesso para pesquisa.
• 30 de novembro de 2026: Prazo para pesquisadores enviarem projetos para possível divulgação e obtenção de cota ou créditos computacionais adicionais.

O que os pesquisadores já fizeram com o AlphaGenome

A visão geral da pesquisa do DeepMind apresenta exemplos de cientistas que usam as ferramentas mais amplas do AlphaGenome. No Broad Institute, Laura Covill usou pontuações AVI para identificar uma variante do DNM1 associada a um erro no processamento de genes. Experimentos laboratoriais validaram a previsão e deram respaldo à reclassificação da variante.

Na Universidade de Exeter, Gareth Hawkes usou o AlphaGenome em uma pesquisa com mais de 54 mil participantes do UK Biobank. O trabalho examinou variantes não codificantes raras e características como os níveis de proteínas plasmáticas. Em uma região, a lista de candidatas caiu de 526 variantes para quatro, mostrando como as previsões podem concentrar os esforços experimentais.

Julia Zeitlinger, do Stowers Institute for Medical Research, usou o AlphaGenome para investigar sequências curtas de DNA regulador e como seus efeitos diferem entre tipos celulares. Seu trabalho aborda as regras pelas quais as células ativam ou reduzem a atividade gênica.

Na Universidade de Copenhague, Cesar Cunha e Marc Pielies Avelli, sob orientação de Tuomas Kilpelainen, usaram o AlphaGenome para rastrear sinais de risco genético para Alzheimer em diferentes tecidos. A análise identificou efeitos reguladores previstos em tecidos imunes e metabólicos, além do cérebro.

Esses exemplos mostram vários caminhos práticos da previsão à pesquisa: classificar candidatas a doenças raras, reduzir uma longa lista de variantes, examinar sequências reguladoras e rastrear sinais genéticos pelo organismo. O AlphaGenome 2 acrescenta um foco mais detalhado nas células e nos estados específicos envolvidos.

Acesso, custos e os próximos experimentos

O AlphaGenome 2 está disponível gratuitamente para pesquisas sem fins comerciais por meio da interface de programação de aplicações, ou API, do AlphaGenome, que permite aos pesquisadores enviar solicitações ao modelo por software. Pesquisadores da indústria podem solicitar acesso por meio de uma prévia privada. O DeepMind também disponibilizou tutoriais interativos no Colab.

O DeepMind afirma que está trabalhando com pesquisadores, incluindo equipes do Wellcome Sanger Institute, para caracterizar mais tipos de células humanas, estágios de desenvolvimento e células alteradas por diferentes condições biológicas. Essas medições podem ampliar a variedade de estados que os pesquisadores conseguem investigar.

A empresa também planeja lançar o AlphaGenome Skills no Google Antigravity, sua plataforma para fluxos de trabalho automatizados de desenvolvimento e pesquisa científica. Não informou uma data de lançamento. Pesquisadores que enviarem casos de uso até 30 de novembro poderão ser selecionados para receber cota e créditos adicionais.

Para um laboratório, o teste imediato é concreto: as previsões podem ajudar a confirmar candidatas úteis com menos experimentos ou a chegar mais cedo a uma decisão de pesquisa? A demonstração do ETS2 oferece um exemplo animador de recuperação de um mecanismo já estabelecido. O valor mais amplo dependerá de laboratórios que usem a ferramenta para investigar novas candidatas e as verifiquem experimentalmente.

Pontos principais

• O DeepMind anunciou o AlphaGenome 2 em 11 de novembro de 2026, com base em mais de 107 milhões de perfis de células individuais em 68 tecidos.
• O modelo prevê efeitos do DNA em tipos e estados celulares específicos, inclusive estados recém-caracterizados fornecidos por pesquisadores.
• Na avaliação TenK10K, a identificação de variantes causais subiu de 16% para 30%; a identificação da direção dos efeitos sobre os genes subiu de 23% para 43%.
• Uma demonstração reproduziu em cerca de 30 minutos uma descoberta importante sobre o ETS2 na doença inflamatória intestinal.
• O AlphaGenome Atlas oferece previsões amplas para nove bilhões de alterações possíveis de uma única letra do DNA; o AlphaGenome 2 permite análises celulares mais detalhadas.
• O acesso é gratuito para pesquisas sem fins comerciais, enquanto o acesso comercial é oferecido por meio de uma prévia privada. A validação laboratorial continua necessária, e os modelos não foram aprovados para diagnóstico.