AlphaGenome 2: DeepMind legge il DNA cellula per cellula

Google DeepMind ha presentato AlphaGenome 2, la nuova versione del suo modello che legge il DNA e prova a prevedere come una sequenza, o una sua variante, cambia il comportamento di un tipo preciso di cellula. L’annuncio è comparso l’11 novembre 2026 sul blog ufficiale di DeepMind ed è firmato, tra gli altri, da Pushmeet Kohli e Žiga Avsec.

La novità di fondo è un cambio di prospettiva: non più una fotografia media di interi tessuti, ma una lettura cellula per cellula. Se ti occupi di AI applicata alla biologia, o semplicemente segui da vicino quello che fa Google in ambito scientifico, è un passaggio che merita attenzione.

Il contesto è quello di un filone che DeepMind porta avanti da tempo. Pochi mesi fa il gruppo aveva pubblicato AlphaGenome Atlas, un catalogo consultabile degli effetti molecolari delle singole mutazioni del DNA umano. AlphaGenome 2 non è la ripetizione di quel lavoro: è un modello diverso, pensato per rispondere a una domanda successiva, cioè in quale cellula, e con quale effetto, una variante genetica fa davvero la differenza.

Cos’è AlphaGenome 2 e come funziona

AlphaGenome 2 è un modello di sequenza del DNA: riceve in ingresso un tratto di codice genetico lungo un milione di lettere e restituisce previsioni su ciò che quel tratto produce all’interno delle cellule umane. Le grandezze che il modello stima includono l’espressione dei geni, le modifiche degli istoni e l’accessibilità della cromatina, tre misure con cui i biologi descrivono quanto un gene è attivo e quanto il DNA è raggiungibile dalla macchina molecolare della cellula. In questa versione si aggiunge un quarto risultato, la metilazione del DNA.

Il punto è come il modello arriva a quelle previsioni.

Dalla previsione parallela alla previsione condizionata

La prima versione di AlphaGenome produceva molte uscite in parallelo, riferite a tessuti interi e a linee cellulari. Secondo il team di DeepMind, questa impostazione distribuiva la capacità del modello su troppi obiettivi contemporaneamente e rendeva difficile distinguere tra loro cellule molto simili. AlphaGenome 2 cambia architettura: insieme alla sequenza riceve una condizione di riferimento, per esempio un tessuto, un tipo cellulare o uno stato, e prevede gli effetti per quella condizione soltanto. La condizione viene usata in ogni fase del modello, non solo all’ingresso.

È un po’ come passare da un interprete che traduce in dieci lingue insieme a uno specialista che conosce a fondo una lingua alla volta.

L’encoder cellulare e l’imputazione tra misure diverse

Un secondo elemento è il cosiddetto cell encoder. I ricercatori possono costruire la condizione partendo dai propri dati: la pagina di DeepMind descrive il caso di un’istantanea di RNA a singola cellula ottenuta da poche decine di cellule. In pratica, un laboratorio che lavora su un tipo cellulare raro, o su uno stato particolare indotto da un trattamento, può descrivere al modello il proprio sistema invece di accontentarsi di categorie generiche.

Il modello sa inoltre fare imputazione tra modalità diverse. Se hai misurato una sola proprietà, ad esempio l’attività dei geni nelle singole cellule, AlphaGenome 2 può stimare proprietà non misurate come l’accessibilità della cromatina. DeepMind la presenta come un aiuto a decidere quali esperimenti conviene eseguire dopo, un uso che promette di far risparmiare tempo e reagenti.

I numeri dichiarati da DeepMind

Sul fronte delle prestazioni, DeepMind afferma che AlphaGenome 2 individua quasi il doppio delle varianti che modificano l’espressione genica nelle cellule rispetto al precedente stato dell’arte. Il modello è stato addestrato su dati di popolazioni di cellule e di singole cellule, umane e di topo, per oltre 100 milioni di profili cellulari distribuiti su 68 tessuti.

Il test più citato riguarda il dataset TenK10K, che copre 28 tipi di cellule immunitarie primarie. Qui AlphaGenome 2 identifica in modo affidabile circa il 30% delle varianti causali, contro il 16% di AlphaGenome 1 messo a punto su dati a singola cellula e di altri strumenti specializzati. Sulla direzione degli effetti, cioè se una variante aumenta o riduce l’attività di un gene, il modello coglie il 43% dei casi, contro il 23% del confronto.

Sono numeri forniti dalla società che ha sviluppato il modello e riferiti a specifici dataset: vanno letti come un indicatore promettente, non come una garanzia valida ovunque. La stessa pagina, tra l’altro, non riporta in modo dettagliato la variabilità dei risultati né le prestazioni al di fuori dei dati citati.

Due casi di studio: malattie infiammatorie e COVID-19

DeepMind illustra il modello con due esempi. Nel primo, legato alle malattie infiammatorie intestinali, AlphaGenome 2 ha riprodotto un risultato già pubblicato: una variante regolatrice lontana dal gene sovraattiva ETS2 nei macrofagi dell’intestino. Il modello ha individuato la variante causale e ha mostrato che l’effetto è specifico di quelle cellule.

Nel secondo caso il modello è stato applicato a dati non visti in addestramento, tratti da uno studio sul vaccino contro il COVID-19. Senza alcun riaddestramento ha distinto i linfociti T attivati dal vaccino da quelli a riposo e ha suggerito che una variante associata al COVID-19 grave disturbi l’attività genica più nelle cellule attivate. Secondo DeepMind può eguagliare o superare modelli addestrati direttamente su quei dataset.

Perché conta per la ricerca biomedica

Gli studi di associazione sull’intero genoma, i cosiddetti GWAS, hanno trovato negli anni migliaia di posizioni del DNA collegate a malattie e caratteristiche complesse, dall’altezza al diabete di tipo 2. Il problema è che la gran parte di queste posizioni cade in regioni non codificanti, e capire quale variante sia davvero causale, quale gene colpisca e in quale cellula agisca resta un lavoro lungo e costoso. È qui che un modello condizionato per cellula può dare un contributo concreto.

Un altro uso indicato è la mappatura tra potenziatori e geni nei tipi cellulari primari umani, come gli astrociti del cervello, dove gli esperimenti con CRISPR sulle linee cellulari stabili hanno limiti evidenti. DeepMind ha anche precalcolato le previsioni per varianti associate a tratti e malattie su centinaia di condizioni di cellule e tessuti, così da offrire un punto di partenza a chi non vuole eseguire il modello da zero.

Sul lato industriale, Peter Donnelly, amministratore delegato di Genomics PLC, ha dichiarato che l’azienda intende integrare il modello nella propria piattaforma Mystra, dedicata alla scoperta di farmaci.

Un filone più ampio per Google e DeepMind

AlphaGenome 2 si inserisce in una strategia riconoscibile: portare modelli di frontiera dentro il lavoro scientifico quotidiano. Nelle stesse ore DeepMind ha raccontato l’avanzamento sul versante robotico con Gemini Robotics 2.5, e anche altri laboratori guardano alla biologia, come dimostra GPT-6 Rosalind di OpenAI, il modello per biologia e farmaci con accesso verificato. La competizione sulle scienze della vita, insomma, è aperta e si gioca sempre più su strumenti specializzati.

Disponibilità, limiti e cosa tenere d’occhio

AlphaGenome 2 è già disponibile per la ricerca non commerciale tramite l’API di AlphaGenome. Per la ricerca commerciale è in corso un’anteprima privata, quindi chi lavora in azienda deve rivolgersi a DeepMind per l’accesso. Sono disponibili tutorial interattivi su Colab dedicati al condizionamento dell’espressione, mentre le cosiddette AlphaGenome 2 Skills per Google Antigravity sono annunciate come in arrivo.

C’è poi una scadenza pratica: i ricercatori che vogliono proporre i propri casi d’uso possono compilare il modulo di feedback entro il 30 novembre. I progetti selezionati potranno ricevere quota aggiuntiva e crediti.

Resta fondamentale il limite dichiarato in modo esplicito: i modelli sono destinati alla sola ricerca e non sono stati validati né approvati per usi clinici o diagnostici. Non è uno strumento per stabilire il rischio genetico di una persona.

Una lettura prudente è quindi la più corretta. Le prestazioni dichiarate sono notevoli, ma serviranno validazioni indipendenti da parte della comunità scientifica per capire quanto reggano su dati e tipi cellulari diversi da quelli scelti da DeepMind per i test.

Conclusioni: cosa fare adesso

AlphaGenome 2 mostra dove sta andando l’AI per la genomica: meno medie su tessuti interi, più risoluzione sulla singola cellula, e modelli che si adattano ai dati del laboratorio che li usa. Per chi fa ricerca, il consiglio pratico è provare i tutorial su Colab e valutare se l’accesso via API copre il proprio caso d’uso prima della scadenza del 30 novembre.

Se invece segui l’AI da fuori dai laboratori, tieni d’occhio due cose: le validazioni indipendenti dei risultati e l’eventuale apertura al mondo commerciale. Continua a seguirci su intelligenzaartificiale.net per gli aggiornamenti su DeepMind e sui modelli che stanno cambiando la scienza.