病気と関連するDNAの変化が見つかっても、それだけで発症の仕組みが分かるわけではありません。その変化がどの遺伝子に作用し、体のどの細胞で影響を及ぼすのかを突き止める必要があります。Google DeepMindが2026年11月11日に発表したAlphaGenome 2は、この隔たりを埋めることを目指したDNA配列モデルです。DNAの配列と調べたい細胞の条件を入力し、遺伝子の働きなどがどう変わるかを予測します。

体内の細胞は基本的に同じDNAを持っていますが、すべての遺伝子を同じように使っているわけではありません。心臓の筋肉を動かす細胞と、感染に応答する免疫細胞では、必要な遺伝子の組み合わせが異なります。同じ種類の細胞でも、活動中か休止中かによって働きは変わるため、DNAの影響を理解するには「どの細胞か」に加えて「どの状態か」という視点も欠かせません。



従来のAlphaGenomeは、主に組織全体などの単位でDNA変異の影響を予測していました。AlphaGenome 2では、予測の焦点を個々の細胞種や細胞状態へと移しています。複数の細胞が混ざった組織の平均では見えにくい変化を、疾患に関係する細胞に絞って探すことが狙いです。

企業の研究部門にとって注目点は、予測できる項目が増えたことだけではないでしょう。関連するDNA変異の候補を、検証すべき細胞や遺伝子と結び付けられれば、実験計画の立て方が変わる可能性があります。ただし、AlphaGenome 2は研究用のモデルです。開発元は、臨床・診断目的での検証や承認を受けていないと明示しています。予測を研究仮説として扱い、実験で確かめる位置付けが前提になります。

AlphaGenome 2の中心的な変更は、細胞の種類や状態をモデルに与える方法です。初代AlphaGenomeは約100万塩基のDNA配列を受け取り、多数の組織や細胞株に関する実験結果を並列に予測していました。Google DeepMindによると、この方法は効率的な反面、モデルの能力が多くの出力先に分散し、よく似た細胞同士の微妙な違いを捉えにくいという課題がありました。

新モデルは、組織、細胞種、細胞状態のいずれかで定義した一つの条件に対して予測する「条件付きモデル」です。約100万塩基のDNA配列とともに、対象となる生物学的条件をモデルの各段階へ入力します。同じ配列であっても、どの細胞を調べるかによって読み取られ方が変わることを学習する設計です。



学習には、ヒトとマウスの組織データと単一細胞データが使われています。個々の細胞のプロファイルは1億700万件を超え、開発元は68の組織にまたがるデータで学習したと説明しています。単一細胞データとは、多数の細胞をまとめて測るのではなく、細胞ごとの特徴を記録したデータです。組織内の細胞の違いを捉えるうえで、この測定単位が意味を持ちます。

予測対象には、遺伝子発現、ヒストン修飾、クロマチンの開きやすさに加え、DNAメチル化が含まれます。遺伝子発現は遺伝子がどれだけ使われているかを示し、後者の項目はDNAの利用を調整する仕組みに関わります。また、測定済みの一つの情報から、別の未測定項目を補完する予測も可能としています。例えば、単一細胞の遺伝子活動を基にクロマチンの状態を推定し、追加実験の候補を選ぶ使い方です。推定値を実測値と区別する必要はありますが、限られた測定結果を次の検証につなげる用途が考えられます。

Google DeepMindは、AlphaGenome 2が細胞ごとの遺伝子制御とDNA変異の影響の予測で性能を向上させたと報告しています。具体的な評価の一つが、28種類の一次免疫細胞を対象とする大規模な単一細胞データセット「TenK10K」です。ここでいう一次細胞は、生体由来の細胞を指します。実験室で維持される細胞株だけでなく、実際の免疫細胞での働きを評価する点が研究上の関心になります。

同社が示した比較では、原因となる変異の検出率は30％で、比較対象の16％から改善しました。遺伝子への影響の方向まで捉える指標では43％に対し23％としています。比較対象には、単一細胞データで追加学習した初代AlphaGenomeなどが含まれます。「ほぼ2倍」という説明は、こうした特定の評価における改善を示すもので、あらゆる疾患で原因変異を同じ割合だけ見つけられるという意味ではありません。



疾患に関わる例として紹介されたのが、炎症性腸疾患、略称IBDに関する予測です。既存の研究では、離れた位置にある遺伝子の調節領域の変異が、腸の免疫細胞であるマクロファージでETS2という遺伝子を過剰に働かせることが示されています。AlphaGenome 2は、この知見を計算上で再現し、該当する変異と、腸のマクロファージに偏った影響を捉えたとしています。

この例が示すのは、遺伝子の活動が変わるかどうかだけでなく、その変化がどの細胞に集中するかを調べる価値です。ただし、既知の仕組みを再現する評価と、未知の疾患機序を発見することは別の段階になります。研究で採用する際には、対象に近い細胞で性能を確認し、上位に挙がった候補を実験で検証する流れが必要でしょう。数値の改善は候補の優先順位付けを支える根拠になりますが、予測だけで因果関係が確定するわけではありません。

疾患研究では、健康な状態の細胞だけを調べても、必要な答えに届かない場合があります。免疫細胞であれば、刺激を受けて活動しているときにだけ現れる変化があるためです。AlphaGenome 2は、学習時に直接扱っていない単一細胞実験のデータについても、モデルを再学習せずに利用できるとしています。既存の細胞分類から選ぶだけでなく、研究者自身の測定結果から予測条件を作れる点が特徴です。

入力に使うのは、単一細胞RNAシーケンシング、通称single-cell RNA-seqなどで得た遺伝子活動のデータです。この手法では、細胞内のRNAを測定して、どの遺伝子がどの程度働いているかを調べます。AlphaGenome 2は、数十個程度の細胞から得られた情報を細胞状態の表現へ圧縮し、その表現を条件としてDNAの影響を予測します。



開発元は、新型コロナウイルス感染症のmRNAワクチン研究から得た未学習のデータを使う例を示しています。モデルは、ワクチンによって活性化した免疫T細胞と休止状態のT細胞を区別しました。また、重症化と関連する変異について、活性化した状態のほうが遺伝子活動を強く乱すと予測したと説明しています。休止状態だけを対象にした解析では捉えにくい、条件に依存した影響を調べる実例です。

企業の研究現場では、手元の細胞データを使って予測の対象を定められることに実用上の意味があります。研究テーマごとに大規模な再学習を行う負担を抑えられる可能性があるためです。ただし、再学習が不要でも、入力する測定データの品質や細胞状態の捉え方が無関係になるわけではありません。どの条件で得たデータなのかを記録し、予測結果と照合できる設計が必要です。測定対象が研究上の問いに合っているかを確認することが、利用の出発点になります。

DNAと病気の関連を広く調べる方法に、ゲノムワイド関連解析、略称GWASがあります。多くの人の遺伝情報を比較し、疾患や体の特徴と統計的に関連する領域を探す手法です。ただし、関連する領域が見つかっても、その中のどの変異が原因で、どの遺伝子を通じ、どの細胞で作用するかまで一度に分かるとは限りません。関連の発見から生物学的な仕組みの説明へ進む部分に、追加の解析が必要になります。

Google DeepMindは、この接続を支援するため、形質に関連する変異について、数百のヒトの細胞・組織条件でAlphaGenome 2の予測を事前計算したとしています。研究者がすべての条件で大規模な計算を実行しなくても、候補となる変異や細胞を調べられるようにする狙いです。身長や2型糖尿病など、複雑な形質を対象とした例が挙げられています。



ここで鍵になるのが、エンハンサーと呼ばれる遺伝子の調節領域です。エンハンサーは、働きを調整する遺伝子からDNA上で離れた場所にあることがあります。そのため、変異の近くにある遺伝子だけを見ても、影響の行き先を判断できません。どの調節領域がどの遺伝子につながるかを、対象の細胞に即して考える必要があります。

同社は、AlphaGenome 2によって、脳内で神経細胞を支えるアストロサイトなど、生体由来のヒト細胞にもエンハンサーと遺伝子の対応付けを広げられると説明しています。細胞株を中心に得られてきた実験情報を補い、疾患が起こる細胞での仕組みを探る用途です。創薬研究への示唆としては、変異、標的候補の遺伝子、作用する細胞を一組の仮説として検証しやすくなる可能性があります。遺伝子の活動を上げるか下げるかという予測も、作用機序を考える手掛かりでしょう。ただし、疾患との関連や活動方向の予測から、そのまま治療効果まで判断することはできません。

AlphaGenome 2は、非商用研究向けにAlphaGenome APIを通じて提供されています。商用研究はプライベートプレビューの対象です。発表には、遺伝子発現データで条件を指定するための対話型Colabチュートリアルも含まれています。Colabはブラウザー上でコードを実行できる環境で、研究者が操作方法や解析の流れを試す入口になります。企業が検討する際は、用途に応じた提供条件を確認する必要があります。

Google DeepMindは、エージェント型開発基盤のGoogle Antigravity向けに、AlphaGenome 2 Skillsを今後提供する計画も示しています。専門モデルを研究支援ツールと組み合わせる方向性ですが、発表時点で利用できるAPIと、今後の提供予定は分けて判断すべきでしょう。研究計画は、現時点で確認できる機能と利用条件を基準に組むことが適切です。



日本の製薬企業やバイオ企業が評価するなら、最初の課題は「自社の研究で判断に迷っている箇所を、どこまで絞り込めるか」です。例えば、疾患と関連する複数の変異候補はあるものの、検証すべき細胞が定まらない案件が考えられます。既存の実験結果がある対象を選び、予測する細胞条件、比較に使う測定値、追加検証に回せる候補数を先に決めれば、研究工程への貢献を評価しやすくなります。

評価指標も、モデル全体の性能だけでは足りません。対象の細胞で既知の効果を再現できるか、影響の方向が実測と合うか、限られた実験数で有用な候補を選べるかが判断材料です。未測定項目の補完値や未知の細胞状態への予測には、その性質が分かる形で記録を残す必要もあります。導入検討の一歩としては、手元の一つの疾患研究について、変異・遺伝子・細胞のどのつながりが未解決なのかを整理し、その問いをAlphaGenome 2で検証できるか、商用研究の提供条件と合わせて確かめる進め方が考えられます。