AlphaGenome Atlas: Welcher Score trägt eine Klinik-Entscheidung — und wer zahlt die Prüfung?

Rund 9 Milliarden Einzelnukleotid-Varianten in einem Atlas, etwa 1 Petabyte — und kein veröffentlichter AVI-Cutoff für die Klinik. Rechnen wir nach, was eine Landkarte taugt, solange die Validierung niemand beziffert.

Rechnen wir nach: Google DeepMind stellte am 8. September 2026 den AlphaGenome Atlas vor — Vorhersagen für rund 9 Milliarden SNVs, also jede mögliche Einzelbuchstaben-Änderung im menschlichen Genom. Laut DeepMind-Blog ist das ein Katalog molekularer Effekte, vorab berechnet, nicht im Labor einzeln gemessen. Der Datensatz liegt bei etwa 1 Petabyte und sei mehr als 30-mal so groß wie die AlphaFold-Datenbank. Das ist ein Claim von DeepMind, keine unabhängige Nachmessung.

Unter dem Strich ist der Atlas eine Landkarte, kein Befund. Der Haken sitzt dort, wo Controllende und Kliniken hinschauen sollten: Der AlphaGenome Variant Impact Score (AVI) fasst AlphaGenome und AlphaMissense in eine Zahl. DeepMind nennt in der Meldung keinen Schwellenwert, keine False-Discovery-Rate und keine Sensitivität, ab der aus dem Score ein ärztlicher Schritt wird. Wer KI im Unternehmen mit Regeln führt, kennt das Muster. Eine sortierte Liste ersetzt keine Entscheidungsschwelle.

Die These ist nüchtern. Neun Milliarden Vorhersagen beschleunigen die Suche. Sie ersetzen nicht das Experiment, nicht die genetische Beratung und nicht die Frage, wer Labor, Haftung und später die kommerzielle Cloud-Nutzung trägt. Wir bei digital-magazin.de rechnen hier nicht mit einem Cutoff, den die Quelle nicht liefert. Wir fragen, was ein Score ohne Schwelle für ein Screening taugt.

Rund 9 Milliarden SNVs — und warum kein Labor sie alle testet

DNA ist ein langer Text. Eine SNV ändert einen Buchstaben. DeepMind schreibt, es gebe roughly 9 Milliarden mögliche Einzelbuchstaben-Mutationen; die Überschrift und der Datensatz nennen 9 Milliarden, die Bildunterschrift „over 9 billion“. Die Qualifizierer gehören zum Text. Rund 9 Milliarden ist die richtige Größenordnung, nicht ein exakter Laborzähler.

Stellen Sie sich vor, ein Labor prüft 1.000 Kandidaten im Jahr. Dann bräuchte es für 9 Milliarden Varianten 9 Millionen Jahre. Das ist keine DeepMind-Zahl, sondern eine Multiplikation aus der veröffentlichten Größenordnung. Sie zeigt nur eines: Blinde Komplettscreens im Reagenzglas sind praktisch unmöglich. Genau deshalb gibt es Vorhersagekarten.

Konkret liefert der Atlas laut DeepMind für jede Variante Tausende molekularer Effektvorhersagen, über Aspekte der Genregulation und über Hunderte menschlicher und Maus-Zelltypen. Dazu kommen AVI-Werte, Feature-Attributionen (welche biologische Kategorie den Score treibt) und ein Kompendium von über 2.500 wiederkehrenden DNA-Motiven. Das ist Werkzeugkasten, nicht Diagnose.

Etwa 1 Petabyte und der Faktor 30 gegen AlphaFold

Ein Petabyte sind in der Zehnerpotenz eine Million Gigabyte. DeepMind nennt den Atlas „massive 1-petabyte“ und „more than 30 times larger than the AlphaFold Database“. Zum Vergleich hält derselbe Text fest, die AlphaFold-Datenbank sei 2022 von rund 190.000 experimentellen Strukturen auf mehr als 200 Millionen Strukturvorhersagen gewachsen. Der Faktor 30 gilt also gegen eine schon riesige Proteinstruktur-Datenbank — als Größenclaim, nicht als Qualitätsbeweis.

Größe ist kein Gütesiegel. Ein Petabyte falscher Vorhersagen wäre teurer Unsinn. Ein Petabyte gut kalibrierter Vorhersagen kann die Suche verkürzen. Die Meldung sagt „best-in-class“ auf vielen Pathogenitäts- und Rare-Disease-Benchmarks. Das ist Vendor-Sprache. Unabhängige ROC-Kurven, Sensitivität oder Spezifität stehen in diesem Blogtext nicht. Ich erfinde sie nicht.

Der Knackpunkt für Forschungsleitungen: Speicher, Zugriff und Versionierung kosten dauerhaft, auch wenn das Portal für nicht-kommerzielle Nutzung kostenlos ist. 1 Petabyte lokal vorzuhalten ist für die meisten Institute unrealistisch. Der Wert sitzt im Portal und in der API, nicht im Download der ganzen Karte auf einen Server im Keller.

AVI: eine Zahl, kein veröffentlichter Klinik-Cutoff

Der AVI kondensiert AlphaGenome und AlphaMissense zu einer Zahl, damit Forschende Varianten rangieren und gleichzeitig molekulare Effekte lesen können. Attributionen zerlegen den Score in Beiträge wie Chromatin-Zugänglichkeit, Spleißen oder Konservierung. Das ist interpretierbar — solange jemand die Biologie prüft.

Aber Moment mal: Rang ist nicht Schwelle. Eine Variante kann an Position 12 von 4.000 Kandidaten stehen und trotzdem harmlos sein. Ohne Cutoff und ohne False-Discovery-Rate in der Meldung bleibt offen, ab welchem Rang Sie aufhören zu schauen. DeepMind liefert diese Grenze hier nicht. Hawkes, davon gleich mehr, wählte für eine BMI-Analyse die obersten 1 Prozent der als besonders wirkungsvoll vorhergesagten nicht-kodierenden Varianten. Das ist seine Studienwahl, kein von DeepMind empfohlener Klinikstandard und keine FDR.

Mal ehrlich: Scores ohne Schwelle laden zum Blindflug ein. Wer die obersten Treffer automatisch „pathogen“ nennt, hat die Landkarte mit dem Befund verwechselt. Ich finde, genau diese Verwechslung ist das Risiko des Atlas — nicht die Existenz der Karte.

2 Prozent kodierend, 98 Prozent nicht — so meint es die Quelle

DeepMind schreibt ausdrücklich: Der AVI funktioniert für kodierende Regionen, die 2 Prozent des Genoms, die Proteine kodieren, und für nicht-kodierende Regionen, die übrigen 98 Prozent. Die 98 Prozent sind ein Anteil des Genoms, nicht eine Genauigkeit von 98 Prozent und nicht „98 Prozent der Varianten korrekt erkannt“. Diese Umdeutung wäre ein Fehler. Ich übernehme die Formulierung der Quelle.

Warum das finanziell zählt: Die meisten merkmalsassoziierten Varianten sitzen laut DeepMind im nicht-kodierenden Teil. AlphaMissense allein greift Proteinveränderungen. AlphaGenome soll regulatorische Effekte vorhersagen. Der kombinierte Score ist der Versuch, beide Welten in einer Rangzahl zu halten. Ob die Kalibrierung in beiden Welten gleich gut ist, steht als Benchmark-Claim im Text — ohne die Kurven.

Für Datenschutz bei KI-Auswertungen ist der nicht-kodierende Anteil heikel. Genomdaten sind Personenbezug, auch wenn nur regulatorische Varianten interessieren. Ein kostenloses Forschungsportal ändert nichts an Einwilligung, Zweckbindung und der Frage, welche Rohdaten das Institut überhaupt hochladen darf.

DNM1: der Atlas zeigte die Stelle, das Labor bestätigte sie

Seltene Krankheiten scheitern oft an der Nadel im Heuhaufen. DeepMind beschreibt die Zusammenarbeit mit dem GREGoR-Konsortium. Laura Covill und Anne O’Donnell-Luria vom Broad Institute priorisierten mit dem AVI Varianten, die frühere Auswertungen übersehen hatten. Dabei fiel eine Variante im Gen DNM1 auf, stark verknüpft mit epileptischer Enzephalopathie.

Die Vorhersage sagte nicht nur „interessant“. Sie sagte, wie: Die Variante erzeuge eine falsche Spleißstelle und verlängere das Protein abnormal. Experimentelle Screens validierten die Vorhersage und fanden benachbarte Varianten mit ähnlichem Effekt. So steht es im DeepMind-Text. Der Google-Blog formuliert weicher: Der Score habe unterstützende Evidenz geliefert, den Fall zu lösen. Beides gehört in den Artikel. Die härtere Aussage — experimentelle Bestätigung — steht bei DeepMind, nicht als allgemeine Sensitivität.

Der Haken ist genau dieser zweite Schritt. Ohne Labor wäre DNM1 eine hohe Zahl auf einer Liste. Mit Labor wird sie ein Mechanismus. Wer den Atlas als Klinikprodukt liest, überspringt die teuerste Zeile: Validierung, Beratung, Verlauf. Kein Eurobetrag dafür steht in der Meldung. Ich setze keinen ein.

22 Prozent mehr Assoziationen — eine Forschungsausbeute, kein Test-Kit

Gareth Hawkes, Medical Research Council Fellow an der University of Exeter, legte den Atlas auf Ganzgenomdaten von über 54.000 UK-Biobank-Teilnehmenden. Gruppiert nach vorhergesagten molekularen Effekten fand er 22 Prozent mehr nicht-kodierende genetische Assoziationen, die sonst im statistischen Rauschen untergegangen wären. Genannt werden unter anderem PLA2G7 (Alterung) und EGLN1 (Sauerstoffsensor).

Weiter schaute Hawkes auf Body-Mass-Index und Hunderte Millionen nicht-kodierender Varianten. Fokus auf das 1 Prozent, das der Atlas als besonders wirkungsvoll einstuft: 19 genetische Regionen für die nächste, gezielte Forschung. Noch einmal: 1 Prozent ist seine Filterwahl in dieser Analyse. Es ist nicht der AVI-Grenzwert, den eine Klinik morgen übernehmen sollte. Eine FDR nennt der Blog nicht.

22 Prozent mehr Assoziationen klingen nach Rendite der Methode. Die Rendite ist wissenschaftlich: mehr Kandidaten, die man vorher nicht sah. Klinische Rendite entsteht erst, wenn ein Teil dieser Kandidaten Replikation, Funktionstest und Nutzen für eine konkrete Person übersteht. Dazwischen liegen Jahre und Budgets, die der Atlas nicht bezahlt.

Wer die Validierung bezahlt, bis ein ärztlicher Schritt daraus wird

Drei Kassen, keine Preisliste. Erstens die Forschungsförderung: GREGoR, Broad, Exeter, Stowers und die übrigen im Danksagungsteil genannten Häuser haben die ersten Anwendungen getragen. Zweitens das Labor, das eine Spleißvorhersage nachbaut. Drittens, falls es soweit kommt, Kasse, Klinik und Haftpflicht, wenn aus einer nicht-kodierenden Assoziation ein Befund im Arztbrief werden soll.

Portal und API sind heute für nicht-kommerzielle Nutzung kostenlos, ohne Programmierkenntnis laut Google-Blog nutzbar. Kommerzielle Nutzung soll „soon“ über Google Cloud kommen. Ein Listenpreis steht nicht in den Texten. Das AlphaGenome-Basismodell ist laut DeepMind bereits akademisch über GitHub und API verfügbar und kommerziell über Model Garden in der Cloud. Der Atlas selbst ist für Firmen noch Ankündigung, kein heute buchbares Klinikprodukt.

Kennen Sie das aus anderen Datenprodukten? Die Forschungsversion ist offen, die Betriebsversion kommt mit Vertrag, Audit und Support. Solange der Vertrag fehlt, plant kein Einkauf eine Produktivschnittstelle in die humangenetische Diagnostik. Und selbst mit Vertrag bleibt die ärztliche Letztentscheidung außerhalb des Scores.

Für genomische Rohdaten gilt dasselbe Sorgfaltsniveau wie bei anderen sensiblen Beständen. Ein Portal, das Varianten rangiert, darf nicht zur stillen Weitergabe von Patientengenomen werden. Regeln zu Zweck und Zugriff, wie sie Texte zu praktischem Datenschutz und zum DSGVO-Stresstest nach einem Datenleck durchdeklinieren, gelten hier erst recht.

Was ein Score ohne Schwelle für ein Screening taugt

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2PromptScientist at a desk looking at a ranked scatter plot on a monitor fully out of focus, notebook closed, thoughtful pause before a clinical decision, photorealistic, no logos, no readable text, 16:9

Screening braucht drei Dinge: eine Messgröße, eine Grenze und eine Aussage, wie viele Gesunde fälschlich alarmiert werden. Der Atlas liefert die Messgröße als AVI. Die Grenze und die Falsch-Alarm-Rate fehlen in der Pressemeldung. Damit taugt der Score zum Priorisieren in einer Forschungskohorte — so bei GREGoR und UK Biobank. Er taugt nicht als bevölkerungsweites Screening, das man morgen in eine Praxissoftware schreibt.

Hand aufs Herz: Würden Sie ein Kreditmodell ohne Ausfallschwelle in die Filiale stellen? Dann sollten Sie einen Variantenscore ohne Cutoff nicht in den Befundbericht stellen. Die Analogie hinkt biologisch. Kaufmännisch sitzt sie. Ranglisten ohne Schwelle erzeugen Arbeit, nicht Entscheidungen.

Spannend wird es bei der Attribution. Wenn der Score sagt, Spleißen sei der Haupttreiber, hat das Labor ein klares Experiment — genau das beim DNM1-Fall. Attribution ohne Experiment bleibt eine Hypothese mit schöner Grafik. Attribution plus Experiment ist der einzige Pfad, den die Meldung selbst als „real-world“ verkauft.

Zugang: kostenlos forschen, kommerziell noch nicht der Atlas

Heute: Website-Portal, AlphaGenome-API, dazu ein Skill in Google Antigravity, alles im DeepMind-Text als Zugangskanäle genannt. Nicht-kommerziell frei. Kommerziell für den Atlas: Google Cloud, demnächst. Das ist ein Fahrplan, kein SLA für ein Diagnostiklabor.

DeepMind rahmt den Atlas als Baseline, nicht als Endpunkt. Modelle sollen besser werden, Karten genauer. Für Nutzende heißt das Versionsrisiko. Ein AVI von heute kann morgen anders sortieren. Klinische Prozesse, die eine Zahl einfrieren, brauchen deshalb Versionsanker — die Meldung beschreibt keinen.

Wir bei digital-magazin.de lesen „soon“ als: noch nicht kaufbar, noch nicht auditierbar als Medizinprodukt, noch nicht mit veröffentlichtem Preis. Wer jetzt Klinikprozesse umbaut, baut auf eine Pressemitteilung.

Was Forschungsleitungen und Klinikcontrollings konkret fragen sollten

Erstens: Welche AVI-Version und welches Genom-Build steckt hinter einem Treffer? Zweitens: Ist der Treffer kodierend oder in den 98 Prozent nicht-kodierend — und welche Attribution (Spleißen, Expression, Konservierung) trägt ihn? Drittens: Welches orthogonale Experiment ist geplant, bevor jemand das Wort pathogen in einen Bericht schreibt? Viertens: Welche Einwilligung deckt die Nutzung eines externen Portals? Fünftens: Wer zahlt den Validierungslauf, wenn die Forschungsförderung endet?

Keine dieser Fragen beantwortet der Blog mit einer Euro-Zahl. Das ist kein Mangel dieses Artikels. Das ist die Lücke der Ankündigung. Controllership füllt Lücken nicht mit Fantasiepreisen.

Ehrlich gesagt nervt mich an Genom-PR oft der Sprung von „Katalog“ zu „Krankheit gelöst“. Der DNM1-Fall ist stark, weil das Labor mitging. Er ist kein Freifahrtschein für die übrigen Milliarden Einträge.

Motive, Partner, und was davon übrig bleibt

Über 2.500 DNA-Motive im Atlas sollen wiederkehrende „Wörter“ des Genoms kartieren. Julia Zeitlinger und Melanie Weilert vom Stowers Institute nutzten die Ressource, um Transkriptionsfaktoren zu sortieren: welche nur die Zugänglichkeit der DNA ändern und welche Gene an- oder abschalten. Wieder Forschung, wieder keine Klinikschwelle.

Die Danksagung nennt Exeter, Broad, Boston Children’s Hospital, Harvard, Memorial Sloan Kettering, das Center for Genomic Medicine am Massachusetts General Hospital und die University of Kansas Medical Center. Das ist ein ernstes Partnerfeld. Es ist kein Zulassungsdossier.

Zum Vergleich: AlphaFold öffnete Strukturen für Leute ohne Code. Der Atlas will dasselbe für Varianten-Effekte. Der Unterschied zur Proteinstruktur: Eine falsche Faltung in einer Publikation ärgert. Eine falsche Variante im Arztbrief schadet. Die Messlatte für den zweiten Fall liegt höher, und die Meldung vom 8. September legt sie nicht als Zahl fest.

Kalibrierung ist die fehlende Zeile in der Kalkulation

Ein Score, der überall „hoch“ schreit, sortiert nichts. Ein Score, der selten hoch ist und dann oft stimmt, spart Laborzeit. Welche der beiden Welten der AVI bewohnt, sagen Sensitivität und Spezifität. Die Pressetexte nennen sie nicht. Bis dahin bleibt jede Klinikrechnung eine leere Zelle.

Rechnen wir die Logik trotzdem, ohne erfundene Trefferquoten. Angenommen eine ungelöste Fallakte enthält 2.000 Kandidatenvarianten. Ein Rangverfahren, das die Liste auf 20 prüfbare Treffer drückt, spart Durchsatz — wenn unter den 20 der ursächliche Treffer sitzt. Sitzt er nicht, hat das Labor 20 Experimente umsonst und den wahren Treffer verpasst. Genau deshalb war die experimentelle Bestätigung bei DNM1 der eigentliche Beweis, nicht die Position auf der Liste.

Ich finde diese Asymmetrie unterschätzt. Falsch-negative kosten Diagnosen. Falsch-positive kosten Familien Monate. Beides hat einen Preis, den keine Pressemitteilung nennt. Wer den Atlas einführt, sollte beide Fehlerarten im Studienprotokoll haben, bevor die Software in der Sprechstunde landet.

Versionen, Haftung, und warum „kostenlos“ nicht „folgenlos“ heißt

Kostenlos für die Forschung heißt: kein Listenpreis für das Portal. Es heißt nicht: keine Folgekosten. Rechenzeit der eigenen Analyse, Personalkosten der Priorisierung, Ethikvotum, Datenauftragsvertrag mit einem US-Cloud-Anbieter, sobald kommerzielle Nutzung kommt — all das sitzt außerhalb der 9 Milliarden.

Haftung sitzt noch weiter außen. Ein Modell, das eine Spleißstelle richtig vorhersagt, hat im DNM1-Fall geholfen. Ein Modell, das dieselbe Sicherheit bei der nächsten Familie suggeriert, ohne neuen Test, verschiebt Verantwortung auf die Ärztin oder den Arzt. Der Atlas trägt diese Verantwortung nicht. Das steht zwischen den Zeilen der Forward-Logik: Werkzeug für Forschende, nicht zugelassenes Diagnostikum.

Der Punkt für Finanzvorstände in Kliniken und Instituten: Budgetieren Sie Validierung und Governance, nicht die Headline. Die Headline ist schon bezahlt — von DeepMind und den Partnern der ersten Paper. Ihre nächste Fallakte ist es nicht.

Der Punkt ist: Atlas ja, Blindflug nein

Was bleibt? Rund 9 Milliarden vorausberechnete SNVs, etwa 1 Petabyte, ein AVI aus AlphaGenome und AlphaMissense, gültig laut Quelle auch für die 98 Prozent nicht-kodierendes Genom. Ein DNM1-Fall mit experimentell bestätigter Spleißvorhersage. Über 54.000 UK-Biobank-Genome und 22 Prozent mehr nicht-kodierende Assoziationen. Portal kostenlos für nicht-kommerzielle Nutzung, Cloud für Firmen angekündigt.

Unter dem Strich lohnt der Atlas als Suchhilfe. Er lohnt nicht als Ersatz für Schwelle, FDR und Labor. Rechnen Sie 9 Milliarden als Grund, warum niemand alles misst — und rechnen Sie jeden einzelnen klinischen Schritt so, als stünde der Preis noch nicht im Prospekt. Weil er dort nicht steht.

Wir bei digital-magazin.de behalten die Lücke im Blick: Score ohne Cutoff, Validierung ohne Preisschild, kommerzieller Zugang ohne Datum. Bis eine Schwelle veröffentlicht und unabhängig geprüft ist, gilt die einfache Regel. Landkarte benutzen. Befund erst nach dem Experiment.