O Google Deepmind apresentou o AlphaGenome 2, um modelo de IA para pesquisa em genômica que prevê como variantes genéticas influenciam tipos celulares humanos específicos. Segundo a empresa, ele encontra quase o dobro de alterações genéticas relevantes em comparação com seu antecessor.
Todas as células do corpo humano carregam o mesmo projeto de DNA, mas cada tipo celular ativa ou desativa genes diferentes: uma célula muscular cardíaca lê o DNA de forma distinta de uma célula imune. Prever essas diferenças é um dos maiores problemas em aberto da genômica, e o Deepmind pretende dar um passo importante nessa direção com o AlphaGenome 2.
O modelo foi projetado para prever como sequências de DNA e suas variações afetam tipos celulares humanos específicos. De acordo com o Google Deepmind, ele foi treinado com mais de 107 milhões de perfis de células individuais provenientes de 68 tecidos de humanos e camundongos, com o objetivo de ajudar pesquisadores a descobrir os fatores celulares das doenças.
Um modelo condicional no lugar da visão geral por tecidos
O AlphaGenome original recebia uma sequência de DNA de um milhão de letras e previa suas propriedades em milhares de experimentos que abrangiam muitos tecidos ao mesmo tempo. Segundo o Deepmind, essa abordagem paralela diluía demais a capacidade do modelo e dificultava capturar diferenças sutis entre tipos celulares muito próximos.
O AlphaGenome 2, por sua vez, funciona como um modelo condicional: além da sequência de DNA, ele recebe como entrada extra um estado biológico específico e calcula os efeitos para aquele único tipo celular. Além de estimar a intensidade com que um gene é expresso, o sistema modela como o DNA é fisicamente empacotado no núcleo, mostrando quais trechos do genoma estão acessíveis, e agora também consegue prever a metilação do DNA, as marcas químicas que funcionam como interruptores moleculares para silenciar ou ativar genes.
O modelo também consegue inferir dados ausentes a partir de uma única medição. Se os pesquisadores medem apenas a atividade gênica de uma célula, por exemplo, o modelo fornece previsões de propriedades adicionais, como o grau de empacotamento de determinados trechos de DNA, o que ajuda a decidir quais experimentos de laboratório valem a pena executar em seguida.
Identificação mais precisa de genes de doenças e respostas a vacinas
No conjunto de dados de referência TenK10K, com 28 tipos de células imunes primárias, o AlphaGenome 2 identificou cerca de 30 por cento das variantes causais e, em 43 por cento dos casos, também previu corretamente se uma variante aumenta ou reduz a atividade de um gene. Uma versão ajustada do AlphaGenome 1 alcançou apenas 16 e 23 por cento nas mesmas medidas. O sistema também modela mudanças contínuas, como a maturação de células-tronco sanguíneas em glóbulos vermelhos, com precisão consideravelmente maior.
Trabalhando exclusivamente de forma computacional, o modelo reproduziu um mecanismo de doença inflamatória intestinal identificado anteriormente em um estudo: isolou a variante exata de DNA, localizada em um interruptor regulador distante do próprio gene, que ativa seletivamente em excesso o ETS2 em macrófagos intestinais, enquanto outros tipos celulares e genes permaneceram praticamente inalterados.
Uma vantagem central da nova arquitetura, segundo o Deepmind, é a capacidade de se adaptar a experimentos totalmente novos sem retreinamento. Pesquisadores podem fornecer dados de atividade gênica de apenas algumas dezenas de células, e o modelo calcula os efeitos para aquele estado celular nunca visto; de acordo com a empresa, ele frequentemente supera modelos especializados treinados diretamente nesses dados.
Aplicado a dados de um estudo sobre a vacina de mRNA contra a COVID-19, o modelo distinguiu de forma confiável as células T ativadas pela vacina das que estavam em repouso e mostrou que uma variante genética associada a casos graves de COVID-19 perturba a atividade celular principalmente no estado ativado. Nas células em repouso, esse efeito teria permanecido invisível.
Previsões pré-computadas, disponibilidade e limitações
O Deepmind já pré-computou previsões para centenas de condições celulares e de tecidos, em parte para apoiar o desenvolvimento de medicamentos impulsionado por IA. Essas previsões também ajudam pesquisadores a analisar estudos de associação genômica ampla (GWAS), que ligam regiões de DNA a características como altura ou diabetes tipo 2, mas que muitas vezes apenas localizam os sinais de forma aproximada dentro de trechos amplos do genoma. O AlphaGenome 2 reduz as variantes causais prováveis e identifica os tipos celulares afetados, como astrócitos no cérebro ou células imunes específicas. Quando o modelo tem confiança suficiente, ele também prevê se uma mutação aumenta ou diminui a atividade de um gene, uma capacidade descrita como importante para o desenvolvimento de medicamentos.
O AlphaGenome 2 já está disponível para pesquisa não comercial por meio de uma API, enquanto usuários comerciais têm acesso por meio de uma prévia fechada. O sistema não é aprovado para diagnóstico clínico. O Deepmind também planeja lançar em breve recursos dedicados do AlphaGenome 2 em sua plataforma de desenvolvimento agêntico Google Antigravity, onde o modelo deve ser combinado com ferramentas como o Gemini 4 para fluxos de trabalho de pesquisa automatizados.