# AlphaGenome 2：ヒトゲノム全体を読むAIを育てる

- 番組: [Google DeepMind: The Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c06000d5o103msn3ryb)（Hannah Fry）
- 元のタイトル: AlphaGenome 2: Teaching AI to read the entire human genome
- 配信日: 2026年11月12日
- 長さ: 39分
- 要約作成日: 2026年11月12日
- トピック: [#AlphaGenome](https://ai-curator.jp/topics/AlphaGenome) [#ゲノミクス](https://ai-curator.jp/topics/%E3%82%B2%E3%83%8E%E3%83%9F%E3%82%AF%E3%82%B9) [#非コードDNA](https://ai-curator.jp/topics/%E9%9D%9E%E3%82%B3%E3%83%BC%E3%83%89DNA) [#希少疾患](https://ai-curator.jp/topics/%E5%B8%8C%E5%B0%91%E7%96%BE%E6%82%A3) [#バリアント効果予測](https://ai-curator.jp/topics/%E3%83%90%E3%83%AA%E3%82%A2%E3%83%B3%E3%83%88%E5%8A%B9%E6%9E%9C%E4%BA%88%E6%B8%AC) [#仮想細胞](https://ai-curator.jp/topics/%E4%BB%AE%E6%83%B3%E7%B4%B0%E8%83%9E)
- URL: https://ai-curator.jp/podcasts/cmwcmc6ew00024e11pm09posy

## 要約

Google DeepMind の Žiga Avsec と Adam Gayoso が、非コードDNAの働きを予測する AlphaGenome、全変異の影響を事前計算した AlphaGenome Atlas、細胞種レベルに踏み込んだ AlphaGenome 2 を解説した。希少疾患の診断例や炎症性腸疾患の遺伝子座での検証例を挙げつつ、モデルは「高精度・低再現率」のヒント提供ツールだと強調。将来は仮想細胞を目指すが、道のりは非常に長いと語った。

## ポイント

- ゲノムの約2%がタンパク質をコードし、残り98%は「いつ・どこで・どれだけ」作るかを制御する。AlphaGenome はこの非コード領域の変異の影響を予測する。
- AlphaGenome は入力配列を20万から100万塩基に拡張し、解像度を128塩基対から1塩基対にした。Atlas は約90億通りの一文字変異を事前計算し、AVIスコアで優先順位付けできる。
- 希少てんかんの乳児の事例で、Atlas のスコア上位の変異がスプライシング異常を起こすと分かり、実験で検証されて原因が特定された。
- AlphaGenome 2 は組織全体ではなく細胞種・状態レベルで予測でき、マクロファージの例では約29万塩基対離れた遺伝子への作用を予測し、Crick Institute の研究が裏付けた。
- 研究者は自分のデータを差し込んで微調整なしで予測でき、公開API（Pythonパッケージ）や、コード不要のAtlasサイトで利用できる。
- モデルは「高精度・低再現率」で、見逃しが多い。臨床ツールではなく研究の手がかりと位置づけられ、仮想細胞の実現は何年も先だと述べている。

## 章立て

- [00:00] **番組導入とAlphaGenomeの目的** — ヒトゲノム解読から AlphaGenome 2 までの流れと、AlphaGenome が配列と変異の分子レベルの影響を予測するツールであることを紹介。
- [02:04] **二人の研究動機** — Žiga は希少疾患患者の変異特定、Adam は家族の病気をきっかけに計算生物学へ進んだ経緯を語る。
- [04:04] **遺伝子型・表現型と98%の非コード領域** — 遺伝子型と表現型の関係、メンデル病と複雑疾患の違い、レゴの比喩を使った非コード領域の制御の役割を説明。
- [08:00] **Informerから AlphaGenome・Atlasへ** — AlphaMissense を経て、入力長と解像度を拡大した AlphaGenome と、90億変異を事前計算した Atlas、AVIスコアの仕組みを解説。
- [17:40] **希少疾患での活用事例とGWASとの比較** — Broad Institute でのてんかん事例と実験検証、分子診断の意義、GWAS の限界（連鎖不平衡）を議論。
- [24:55] **AlphaGenome 2と細胞種レベルの予測** — 細胞種・状態ごとの予測、マクロファージと炎症性腸疾患の例、データの偏り、自分のデータを使える機能を紹介。
- [31:05] **限界とアクセス方法** — 高精度・低再現率という性質、DNAの立体構造とアクセス性による精度差、API とAtlasサイトの使い方を説明。
- [36:15] **仮想細胞への展望** — 仮想細胞のビジョン、創薬成功率の低さへの貢献、実現までの長い道のりについて語る。

## 解説記事

Google DeepMind のポッドキャストで、同社の研究者 Žiga Avsec と Adam Gayoso が、ゲノムを「読む」AI である AlphaGenome とその後継 AlphaGenome 2 について語った。聞き手は Hannah Fry。ゲノムが解読されても意味の解読が進まない、という長年の課題に、AI がどう取り組んでいるかが主題である。

#### 98%の非コード領域を読む

ヒトゲノムは約30億文字の長さだが、タンパク質をコードするのはその約2%にすぎない。Žiga はタンパク質をレゴのブロックにたとえ、残り98%は各ブロックをどれだけ作るかを決める制御部分だと説明する。すべての細胞が同じDNAを持つのに目や心臓の細胞に分化するのは、この制御要素が細胞種ごとに異なる組み合わせで使われるためだという。

AlphaGenome はDNA配列を読み、その位置で細胞内に何が起きているか、A を T に変えたら何が変わるかを予測する。DeepMind は先にタンパク質側の変異を扱う AlphaMissense（AlphaFold を土台にした）を作ったが、それは2%にしか使えず、残る98%に取り組むために AlphaGenome に戻ったと述べている。前身の Informer から、入力配列は20万から100万塩基へ、解像度は128塩基対から1塩基対へ拡張された。

#### Atlas と AVI スコア

AlphaGenome は計算コストが大きいため、一文字変更すべて、約90億通りの影響を事前計算して公開したのが AlphaGenome Atlas である。モデルが出す約1万個の数値、AlphaMissense のスコア、進化的保存性を1つにまとめた AVI スコア（0〜約80）で変異を順位付けできる。スコアは、ヒト集団で頻出する変異は概ね無害、観測されない変異は有害かもしれない、という考えで学習された。ノイズの多い信号だが、手がかりとしては十分だと語っている。

学習には公開データを使い、基準ゲノムに遺伝子発現などの測定値を対応づけている。個人のゲノムで学習するのではなく、基準ゲノムだけから変異の効果を予測できる点が特徴として紹介された。

#### 希少疾患の診断への応用

具体例として、Broad Institute の研究者が Atlas を使った事例が挙がった。生後6週で診断された希少てんかんの乳児について、遺伝性とは分かっていたが原因変異は4〜5年特定できなかった。AVI でランク付けした最上位の変異が、関連する機能のタンパク質に影響し、過去の文献とも一致した。スプライシング（RNAの切り貼り）への影響を細胞株で実験し、原因と確認されたという。

原因が分かれば、アンチセンスオリゴや遺伝子編集といった治療の可能性や、家族計画への情報にもつながる。ただし薬の開発までは長い道のりだと断っている。なお、ゲノムワイド関連解析（GWAS）は多数の人の比較に基づき、連鎖不平衡で本当の原因変異を絞りにくく、稀な変異にも向かない。AlphaGenome は個々の変異をモデルに入力して分子レベルの影響を見る点で補完的だと説明された。

#### AlphaGenome 2：細胞種・状態の解像度

AlphaGenome 2 は、従来の組織単位（バルク）予測から、細胞種や細胞状態のレベルへ進んだ。Human Cell Atlas などの10年分のデータが基盤である。例として、炎症性腸疾患に関わる遺伝子座では近くに遺伝子がなく、標的が不明だった。モデルはマクロファージで、約29万塩基対離れた遺伝子への作用を予測し、Crick Institute の研究グループが実験でこれを裏付けたという。

血液の免疫細胞に学習データが偏る可能性は認めつつ、ヒトとマウスの多様な組織を集めて偏りを減らしたと述べている。また、ユーザーが自分のデータを差し込めば、微調整なしでそのデータに対する変異効果を予測できる。

#### 限界と今後

二人は、このツールを「高精度・低再現率」と表現する。強い効果を示したときはたいてい正しいが、見逃しも多い。生物学の細部を完全には模擬できず、実験の重要性はむしろ高まるとも述べた。また、DNAはスパゲッティのように絡まっており、アクセス可能な領域では遠い変異でも予測が良いが、閉じた領域では悪いことが今回分かったという。理由はデータ不足か構造的要因か、まだ分からないとしている。

利用は、Pythonパッケージによる無料のAPI、コード不要のAtlasサイトで可能。コーディングエージェントからAPIを呼ぶ使い方にも期待が示された。

#### まとめ

長期的な目標は、遺伝的・薬剤的な摂動に対する細胞の応答を予測する「仮想細胞」であり、臨床試験を通る薬が約10%にとどまる現状の改善も狙う。ただし二人は、実現は何年も先で、AGI のほうが先に来るかもしれないと冗談交じりに語った。日本の読者にとっては、AIが「全ゲノムの中から調べるべき変異を絞り込む」実用段階に入っていること、一方で臨床診断ではなく研究支援の位置づけであり、実験検証と組み合わせて使う前提であることが注目点だろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Google DeepMind: The Podcast「AlphaGenome 2: Teaching AI to read the entire human genome」