AlphaGenome Atlasの位置づけ

対象読者#

• 機械学習を用いたゲノム研究の進化と、最新の技術動向を理解したい方
• DNA配列から生体内の分子機能を予測する技術や、生体内シミュレーションの可能性に興味がある方
• ゲノムAIを活用した個別化医療、希少疾患の原因探索、医薬品開発に関心がある方

要約#

• AlphaGenome Atlasは、機械学習によるゲノム機能予測を、全ヒトゲノムで利用できるデータベースへと発展させた研究です。 約90億通りの一塩基置換について、その分子機能への影響を事前計算しています。
• DeepSEAからEnformer、Borzoi、AlphaGenomeへと続く進化の中で、DNA配列から予測できる生物学的機能の種類、ゲノム上の距離、予測精度が大きく拡張されてきました。
• AlphaGenome Atlasは、ゲノム変異の優先順位付けと分子機序の解釈を結びつけることで、希少疾患の解析や個別化医療への応用を促進します。
• 一方、Evo 2やGPN-Starなどのモデルには異なる強みがあり、AlphaGenome Atlasがすべての予測課題で優位に立つわけではありません。
• 今後は、分子機能予測、進化的制約、細胞状態を統合することで、ゲノムから疾患までをつなぐ、より包括的な生体内シミュレーションへと発展していくと考えられます。

1. AlphaGenome Atlasは、ゲノム機械学習の歴史の中でどこに位置するのか#

2026年9月8日に公開された「AlphaGenome Atlas: in silico mutagenesis of the entire human genome improves prioritization and interpretation of non-coding variants」は、機械学習を用いたゲノム研究の進化において重要な節目となる研究です。[1]

この研究を理解するためには、AlphaGenomeそのものが新しい予測モデルであるのに対し、AlphaGenome Atlasは、そのモデルを全ヒトゲノム上の一塩基置換に適用し、variant effect prediction（変異の機能的影響予測）を検索可能な地図にした研究であるという違いを押さえることが重要です。

AlphaGenome Atlasは、ヒトゲノム上で可能な約90億通りの一塩基置換についてAlphaGenomeの予測を事前計算し、約1 PB（ペタバイト）のデータベースとして提供しています。

さらに、AlphaGenome Variant Impact（AVI）scoreを導入し、非コード領域の調節作用だけでなく、AlphaMissenseのタンパク質影響予測も統合することで、変異の優先順位付け（variant prioritization）と分子機序の解釈を同時に行えるようにしています。[1]

この研究の位置づけを理解するために、まずは機械学習ゲノミクスの歴史を振り返ります。

大きな流れを単純化すると、次のように整理できます。

「variantに既知のannotationを付ける」 ↓ 「DNA配列からannotationそのものを予測する」 ↓ 「長距離の遺伝子制御を予測する」 ↓ 「多数の分子表現型を一つのモデルで予測する」 ↓ 「全ゲノムの全variantについて事前計算する」

AlphaGenome Atlasは、この最後の段階に位置します。

第1世代：手作り特徴量と統計・古典的機械学習#

初期のvariant prioritizationでは、PhyloPやPhastConsのような進化的保存度、転写因子結合サイト、ヒストン修飾、DNase hypersensitivity、eQTLなどの情報を収集し、SVMやrandom forestなどを使って変異の病原性を予測するアプローチが中心でした。

代表的な手法として、CADD、GWAVA、Eigenなどがあります。

この発想では、基本的に次の流れで変異を評価します。

variant → 既知のannotation → pathogenicity

つまり、すでに観測・整理されたゲノム機能情報を利用して、変異の影響を予測する方法です。

そのため、annotationが存在しない細胞種やゲノム領域では予測が弱くなるという問題がありました。

第2世代：DeepSEA ― DNA配列から直接、調節機能を読む#

大きな転換点となったのが、2015年のDeepSEAです。[2]

DeepSEAは、DNA配列だけから、転写因子結合（TF binding）、DNase、ヒストン修飾（histone modification）など、多数のクロマチン関連特徴量をCNN（畳み込みニューラルネットワーク）で予測しました。

さらに、reference allele（参照アレル）とalternative allele（変異アレル）の予測差を、variant effectとして利用しました。

その結果、次のような予測が可能になりました。

DNA sequence ↓ Deep learning ↓ Chromatin state ↓ Variant effect

これは、現在のsequence-to-function paradigm（DNA配列から生物学的機能を予測する枠組み）の基礎となる考え方です。

AlphaGenome Atlasの直接的な技術的祖先を一つ挙げるなら、AlphaFoldよりもむしろDeepSEAです。

第3世代：Basenji / Enformer ― 遠くのエンハンサーまで見る#

次の課題は、sequence context（モデルが参照できるDNA配列の範囲）の長さでした。

遺伝子発現は、遺伝子周辺の数百塩基だけで決まるわけではありません。

数十〜数百kb離れたエンハンサーが、遺伝子発現に大きな影響を与えることがあります。

この課題に取り組んだのがBasenji系のモデルであり、特に重要なのが2021年のEnformerです。[3]

Enformerは約196 kbのDNA配列を入力とし、Transformerのattention機構を利用することで、長距離の相互作用をモデル化しました。

ヒトでは5,000を超えるfunctional genomic trackを予測しました。

ここで、研究の問いが変化しました。

従来の問いは、

このvariantは転写因子の結合モチーフを壊すのでしょうか。

というものでした。

それが、

このvariantの影響は、離れた位置にある遺伝子の発現まで、どのように伝播するのでしょうか。

という問いに発展しました。

これは、DNAの局所的な機能予測から、より広い遺伝子制御システムの予測へと進んだことを意味します。

第4世代：Sei / Borzoi ― 機能の統合とRNAの直接予測#

2022年のSeiは、21,907ものchromatin profileを予測し、それらを約40種類のsequence classに整理しました。[4]

これにより、エンハンサー、プロモーター、CTCF、細胞種特異的な調節活性などを、人間が解釈しやすい形で表現できるようになりました。

一方、Borzoiは異なる方向からアプローチしました。[5]

Borzoiの特徴は、DNA配列からRNA-seq coverageを直接予測することです。

DNA → RNA-seq coverage

524 kbという長いDNA配列を扱い、転写（transcription）だけでなく、スプライシング（splicing）やポリアデニル化（polyadenylation）に関する変異の影響まで、一つのモデルから予測します。

この段階で、現在のAlphaGenomeにつながる二つの重要な方向性が揃いました。

長いgenomic contextを扱うことと、複数のregulatory modalityを統合することです。

2. AlphaGenomeは何を変えたのか#

2025年に発表され、2026年にNatureに掲載されたAlphaGenomeは、sequence-to-function系の機能を大きく統合したモデルです。[6]

AlphaGenomeは、1 MbのDNA配列を入力とし、ヒトでは5,930 track、11種類のmodalityを同時に予測します。

予測対象には、次のような分子機能が含まれます。

• RNA-seq
• CAGE
• PRO-cap
• Splicing
• DNase / ATAC
• Histone modification
• TF binding
• Chromatin contact

重要なのは、long context × base-level resolution × multimodal predictionを、高い水準で同時に実現したことです。

これまでのモデルには、それぞれ異なる強みがありました。

• Enformerは、長距離の遺伝子制御予測に強みがあります。
• Borzoiは、RNA processingの予測に強みがあります。
• ChromBPNetは、chromatin accessibilityの予測に強みがあります。
• Splice modelは、splicingの予測に特化しています。

AlphaGenomeは、これらの異なる予測対象を、一つのsequence-to-function modelに統合する方向に進みました。

AlphaGenomeの論文では、26種類のvariant effect prediction評価のうち25種類で、既存の最良モデルと同等以上の性能を示したと報告されています。[6]

この進化は、生体内シミュレーションの観点からも重要です。

なぜなら、DNA配列という共通の入力から、転写、クロマチン状態、スプライシングなど、複数の分子レベルの現象を同時に予測できるようになったからです。

ただし、これは生体全体をシミュレーションできるようになったことを意味するわけではありません。AlphaGenomeが直接扱うのは、主としてDNA配列と分子機能の関係です。

3. AlphaGenome Atlasの本当の新規性#

AlphaGenome Atlasの革新は、ニューラルネットワークのarchitectureそのものというより、variant-effect modelを全ゲノム規模の研究資源に変えたことです。[1]

従来のvariant effect predictionとの違い#

従来は、次のような流れが一般的でした。

GWAS / WGSで候補variantを発見 ↓ Enformer / Borzoi / AlphaGenomeに入力 ↓ 候補variantごとに推論

つまり、研究者が調べたい変異を見つけてから、その影響をモデルで予測していました。

一方、AlphaGenome Atlasでは、約90億通りの一塩基置換について、あらかじめ予測が完了しています。

全約90億SNVについて先に推論 ↓ GWAS / WGSからvariantを発見 ↓ 計算済みの予測結果をlookup

この違いは、研究での利用方法を大きく変えます。

従来はモデルを実行する必要があった解析を、計算済みデータベースの参照によって実行できるようになるためです。

AlphaFold Databaseとの類似性#

この関係は、AlphaFoldとAlphaFold Databaseの関係によく似ています。

AlphaGenome : AlphaGenome Atlas ≒ AlphaFold : AlphaFold Database

AlphaFoldがタンパク質構造予測を大規模な研究資源へと発展させたように、AlphaGenome Atlasもvariant effect predictionを、研究者が広く利用できるデータベースへと発展させています。

つまり、AIモデルからscientific infrastructure（科学研究基盤）への転換です。

これが、AlphaGenome Atlasの歴史的な位置づけを理解するうえで、最も重要なポイントです。

4. In silico mutagenesisは、なぜ重要なのか#

論文のタイトルに含まれる**in silico mutagenesis（ISM）**も、この技術の進化を理解するうえで重要な概念です。

ただし、ISMそのものは新しい手法ではありません。

ISMは、DNA配列の特定の位置について、塩基をコンピュータ上で一つずつ置き換え、その前後でモデルの予測結果がどのように変化するかを調べる方法です。

例えば、ある位置の塩基がAであれば、次の変異を仮想的に作ります。

• A → C
• A → G
• A → T

そして、reference sequenceとalternative sequenceの予測差を計算します。

[ \Delta f = f(\text{ALT sequence}) - f(\text{REF sequence}) ]

ここで、(f) はDNA配列から分子機能を予測するモデルです。

この予測差を用いて、変異が転写因子結合や遺伝子発現などに与える影響を評価します。

DeepSEAの時代から、variant effect predictionは基本的にこの考え方を利用してきました。[2]

AlphaGenomeでも、splicing motifなどの影響をISMによって可視化しています。[6]

約90億通りの変異を事前計算する#

AlphaGenome Atlasの特徴は、この手法を全ヒトゲノムに適用したことです。

ヒトゲノムは約30億塩基から構成されます。

各塩基について、元の塩基以外の3種類の塩基への置換を考えると、概算では次のようになります。

約30億塩基 × 3種類のalternative allele ≈ 約90億variant

つまり、ヒトゲノム上で可能な一塩基置換を網羅的に計算するということです。

これは、新しい計算手法を発明したというより、既存の計算手法を全ゲノムに拡張した、scaleの革命と位置づけられます。

5. AlphaGenome Variant Impact（AVI）scoreの実務的な重要性#

AlphaGenome Atlasでもう一つ重要なのが、AlphaGenome Variant Impact（AVI）scoreです。[1]

AlphaGenomeの出力には、非常に豊富な分子機能の予測情報が含まれています。

例えば、一つのvariantによって、次のような変化が予測される場合があります。

• Chromatin accessibilityの低下
• TF bindingの低下
• H3K27acの低下
• Transcriptionの低下
• Splicingの変化
• Chromatin contact mapの変化

こうした情報は、分子機序を研究するうえでは非常に有用です。

しかし、WGSのような大規模ゲノム解析では、膨大な数のvariantを評価する必要があります。

そのため、実務上は次の問いに答える必要があります。

結局、どのvariantを優先的に調べるべきなのでしょうか。

AVI scoreは、多数の予測情報を統合し、variantの優先順位付けを行うことを目指しています。

さらに、coding variantについてはAlphaMissenseによるタンパク質影響予測も組み合わせることで、coding / non-codingをまたいだvariant rankingを可能にすることを目指しています。

加えて、feature attributionにより、なぜあるvariantが高いscoreを示したのかを、splicing、expression、chromatinなどの機能に分解して解釈できます。

この研究の意義は、二つの方向性を接続しようとしていることです。

一つは、CADDのように、一つのvariantを一つのimpact scoreで評価する方向性です。

もう一つは、AlphaGenomeのように、variantがどのような分子機序に影響するのかを予測する方向性です。

AlphaGenome Atlasは、variantの優先順位付けと、その分子機序の解釈を接続する試みと考えられます。

6. 現在のゲノム解析技術と、個別化医療へのつながり#

現在のWGSやGWASを用いたゲノム解析では、次のような流れで候補変異の影響を調べます。

WGS / GWAS / Fine mapping ↓ 候補variantの抽出 ↓ AI-based variant prioritization ↓ Cell / tissue-specific molecular effectの予測 ↓ Gene / pathway / mechanismの推定 ↓ CRISPR / MPRA / patient RNA-seqによる検証

AlphaGenome Atlasは、この中のvariant prioritizationからmechanistic hypothesis（分子機序に関する仮説の構築）までの過程を短縮します。

希少疾患の原因変異の探索#

特に重要な応用先の一つが、希少疾患の原因変異の探索です。

Google DeepMindが紹介しているBroad Instituteとの研究例では、未解決疾患のvariant prioritizationにおいて、DNM1周辺のvariantが候補として抽出されました。[1]

AlphaGenomeは、このvariantが新しいsplice siteを形成すると予測しました。

その後、この予測は実験的に確認されています。

つまり、次のような流れで研究を進めることができます。

High AVI score ↓ Splicing異常の可能性を予測 ↓ RNA assayで検証

ここで重要なのは、単に「病原性が高そうな変異」を発見するだけではないことです。

なぜその変異が機能異常を引き起こすと考えられるのかという、具体的な分子機序に関する仮説まで得られます。

これは、個別化医療において重要な意味を持ちます。

患者のゲノムに見つかった多数の変異から、疾患との関連が疑われる変異を絞り込み、その分子機序を調べるための実験につなげられるからです。

医薬品開発との関係#

医薬品開発の観点でも、variantの機能的影響を予測できることは重要です。

GWASなどで疾患に関連するゲノム領域が見つかっても、その領域のどの変異が、どの遺伝子や調節機構を通じて疾患に関与するのかは、必ずしも明確ではありません。

AlphaGenome Atlasのような技術は、候補変異が転写、スプライシング、クロマチン状態などに与える影響を調べることで、疾患に関係する分子機序の仮説構築を支援します。

これは、創薬標的に関する研究仮説の生成や、検証すべき実験の優先順位付けにつながる可能性があります。

ただし、分子機能への影響が予測されたからといって、そのまま医薬品の有効性や臨床上の効果を予測できるわけではありません。

この限界については、後半で詳しく整理します。

7. AlphaGenomeは「ゲノム版LLM」なのか#

現在のゲノムAIには、大きく分けて二つの系統があります。

一つは、AlphaGenomeのようなsequence-to-function modelです。

もう一つは、DNA language modelやgenomic foundation modelです。

両者は、学習対象と目的が異なります。

Sequence-to-function model#

代表的なモデルは、次のような系譜にあります。

DeepSEA → Basenji → Enformer → Borzoi → AlphaGenome

この系統では、主に次のような実験的functional genomics dataを教師信号として用います。

• RNA-seq
• ATAC-seq
• ChIP-seq
• CAGE
• Hi-C

目的は、DNA配列から生物学的機能を予測することです。

つまり、

DNA → Biological function

という関係を学習します。

AlphaGenome Atlasはこちらの系統に属します。

DNA language / foundation model#

もう一つの系統には、次のようなモデルがあります。

• DNABERT
• Nucleotide Transformer
• HyenaDNA
• Caduceus
• Evo / Evo 2
• GPN系

こちらは大量のDNA配列自体を使い、self-supervised learningによってDNA配列に含まれる統計的・生物学的パターンを学習します。

目的は、広い意味での生物学的なDNA配列らしさを学習することです。

例えば、Nucleotide Transformerは、3,202のヒトゲノムと850種のゲノムを用いて、汎用的なDNA representationを学習しています。[7]

2026年のEvo 2は、さらに大規模なゲノム基盤モデルです。[8]

Evo 2は、全生命ドメインにまたがる9兆塩基を学習し、1M tokenのcontextを扱います。

また、タスク特化のfine-tuningを行わなくても、一部のvariant effectを予測できます。

したがって、この二つの系統の違いは、次のように整理できます。

AlphaGenome：教師あり学習を基盤とした、分子機能を予測するbiological simulator寄りのモデル

Evo 2：大規模なDNA配列学習を基盤とした、汎用的なgenomic language / foundation model寄りのモデル

AlphaGenomeは生体内の分子現象の予測に重点を置き、Evo 2はDNA配列に含まれる幅広い規則性の学習に重点を置いていると考えられます。

8. AlphaGenomeが、すべての予測課題で最良というわけではない#

ここは、AlphaGenome Atlasの位置づけを理解するうえで特に重要です。

2025年のDNA foundation modelの比較研究では、QTLのようなcell / tissue-specific regulatory variant predictionでは、AlphaGenome、Enformer、Seiのようなsequence-to-function modelが優位であることが示されました。[9]

例えば、AlphaGenomeについて、次のような性能が報告されています。

• sQTL：AUC ≈ 0.80
• ipaQTL：AUC ≈ 0.86

一方、pathogenic variantとcommon variantを識別する別の予測課題では、Nucleotide TransformerなどのDNA foundation modelが優位になるケースがありました。

これは、二つのモデル系統が異なる種類の情報を学習していることを示唆しています。

Sequence-to-function modelは、

このvariantが、この組織で遺伝子発現を変化させるのでしょうか。

という問いに強みがあります。

一方、language / evolutionary modelは、

このDNA配列の変更は、進化的・生物学的にどの程度異常なのでしょうか。

という問いに強みがあります。

したがって、両者は単純な競合関係ではなく、補完関係にあると考えられます。

9. 2026年の重要な比較対象、GPN-Star#

最新の類似研究との比較という観点では、GPN-Starが重要です。

GPN-Starは、AlphaGenome Atlasの公開とほぼ同時期である2026年9月にNatureで発表されました。[10]

GPN-Starは、functional genomicsの実験データを直接予測するAlphaGenomeとは異なり、進化情報やゲノム配列のパターンから、functional constraintをモデル化します。

そして、非コード領域の病原性variantを対象としたベンチマークでは、OMIMやHGMDに関する評価において、GPN-StarがAlphaGenome、Borzoi、Enformerを上回ったと報告されています。

これは、AlphaGenome Atlasの位置づけを考えるうえで重要な結果です。

なぜなら、分子機序を予測できることと、病原性を最も正確に予測できることは同じではないからです。

例えば、ある変異が転写因子結合や遺伝子発現に影響することが予測できても、その影響が実際に疾患を引き起こすかどうかは、別の問題です。

したがって、2026年時点でも、AlphaGenome Atlasだけですべての病原性予測を解決できるわけではありません。

GPN-Starのような進化的制約を利用するモデルは、AlphaGenome Atlasの重要な補完・競合技術と位置づけられます。

10. 主要なゲノムAIモデルの比較#

ここまでの研究を整理すると、次のようになります。

系統	代表モデル	主に学習するもの	主な強み	AlphaGenome Atlasとの関係
Regulatory CNN	DeepSEA	Chromatin assays	Variantからregulationへの影響予測	直接の技術的祖先
Regulatory DL	Sei	約21,000のchromatin track	Regulatory classの解釈	先行する全ゲノムfunctional map
Long-range sequence-to-function	Enformer	Epigenomeとexpression	Enhancer–geneの長距離作用	AlphaGenomeの主要な前世代
RNA sequence-to-function	Borzoi	RNA-seqなど	Expression、splicing、APA	AlphaGenomeの直接的な比較対象
Unified sequence-to-function	AlphaGenome	多数のfunctional assay	1 Mb、multimodal、base-level resolution	Atlasの基盤モデル
Genome-wide resource	AlphaGenome Atlas	AlphaGenomeの予測結果	約90億SNVの即時lookup	全ゲノム規模のvariant-effect atlas
DNA foundation model	Nucleotide Transformer	DNA sequence	General representation	補完的な技術
Generative genomic foundation model	Evo 2	9兆bpのDNA配列	Predictionとgeneration	より汎用的なAI方向
Evolutionary variant effect prediction	GPN-Star	Evolutionary / genomic constraint	Pathogenicity prediction	Atlasの強力な補完・競合技術
Cell-state sequence-to-function	scooby	Single-cell RNA / ATAC	Cell-specific variant effect	細胞状態に焦点を当てた技術
Cell-context model	GET	多細胞種のregulation	未知の細胞種への一般化	AlphaGenomeの弱点を補う方向

この比較から分かるのは、ゲノムAIが一つの方向に収束しているわけではないということです。

現在も、分子機能の予測、進化的制約の学習、細胞状態への対応、汎用的なDNA representationの学習など、複数の方向で研究が進んでいます。

11. scoobyとGETは、別方向の「次」を示している#

AlphaGenomeの弱点の一つは、基本的にtraining datasetに含まれるcell / tissue contextに依存することです。

実際の生体内では、同じDNA配列であっても、細胞の種類や状態によって転写やクロマチンの状態が異なります。

この問題に取り組んでいるのが、scoobyやGETのようなモデルです。

scooby：Single-cellレベルのvariant effect prediction#

2025年のscoobyは、Borzoiを基盤にしながら、single-cell RNA-seqとATAC-seqをモデル化しています。[11]

これにより、cell-state-specific variant effectを扱えるようにしています。

従来のモデルでは、ある組織全体の平均的な分子機能を予測することが中心でした。

一方、scoobyは、より細かい細胞状態の違いに対応する方向に進んでいます。

GET：未知の細胞種への一般化#

**GET（General Expression Transformer）**は、213種類のヒト細胞種を利用し、異なるcellular contextへの一般化を目指しています。[12]

これは、学習データに含まれていない細胞種や状態でも、遺伝子制御を予測できるようにする方向性です。

さらに、2026年のcontext-aware sequence-to-function研究も、従来モデルが学習データに含まれないcell typeやconditionに外挿しにくいという課題を扱っています。[13]

したがって、今後のモデルでは、DNA配列だけでなく、細胞の状態や環境を入力として考慮することが重要になると考えられます。

DNA sequence + Cell state + TF environment + Epigenetic context

という形です。

これは、分子機能の予測から、より生体内の状況に依存したシミュレーションへと発展する方向性を示しています。

12. AlphaGenome Atlasは「sequence-to-function genomicsのAlphaFold Database化」#

ここまでの流れをまとめると、AlphaGenome Atlasは、sequence-to-function genomicsのAlphaFold Database化と位置づけるのが分かりやすいと考えられます。

DeepSEAは、

DNA配列からvariant effectを予測できます。

という可能性を示しました。

Enformerは、

長距離の遺伝子制御まで予測できます。

という方向へ進みました。

BorzoiやAlphaGenomeは、

Expression、splicing、chromatinなど、複数の分子機能を統合して予測できます。

という段階へ進みました。

そしてAlphaGenome Atlasは、

その予測を、全ヒトゲノムの全SNVについて事前に計算し、広く利用できるようにします。

という段階に到達しました。

これは、機械学習ゲノミクスにおける重要な変化です。

従来は、研究者が必要に応じてAIモデルを実行する必要がありました。

AlphaGenome Atlasでは、膨大なvariant effect predictionを事前計算し、研究基盤として利用できるようにしています。

この意味で、AlphaGenome Atlasは単なる予測モデルではなく、AIによるゲノム機能予測を科学研究のインフラへと発展させた代表例といえます。

13. AlphaGenome Atlasは、生体内シミュレーションの最終到達点ではない#

AlphaGenome Atlas自身も、この研究を最終到達点ではなく、今後の研究の基盤となるものとして位置づけています。[1]

現在、少なくとも四つの大きな課題が残されています。

課題1：個人間の遺伝子発現差を、どこまで説明できるのか#

一つ目は、personal genomeから、個人間の遺伝子発現の違いを定量的に予測できるかという問題です。

既存のsequence-to-expression modelは、reference genome上では高い性能を示していても、個人間の遺伝子発現差を説明する場合には、性能が大きく低下することが報告されています。[14]

これは、個別化医療を考えるうえで重要な課題です。

あるvariantが分子機能に影響すると予測できても、それが個人の体内でどれほどの発現差を引き起こすかを正確に予測することは、さらに難しい問題だからです。

課題2：細胞状態や環境の影響#

二つ目は、cell stateやenvironmentへの対応です。

同じvariantであっても、免疫刺激時と平常時、発生段階、薬剤暴露などの条件によって、分子機能への影響が異なる可能性があります。

そのため、DNA配列だけを入力とするモデルでは、実際の生体内で起こるすべての現象を説明できるわけではありません。

この問題に対して、scoobyやGETのような研究は、細胞状態を考慮する方向に進んでいます。[11][12]

課題3：一塩基置換以外のゲノム変異#

三つ目は、SNV以外の変異への対応です。

AlphaGenome Atlasは、主としてsingle-nucleotide variantを対象とする包括的なマップです。

一方、実際のゲノムには、次のような多様な変異が存在します。

• Insertion / deletion（indel）
• Structural variant
• Repeat expansion
• 複数の変異が組み合わさったhaplotype

これらの影響は、約90億SNVのlookupだけでは解決できません。

課題4：分子機能から疾患までの距離#

四つ目は、molecular phenotypeの予測と、疾患や臨床表現型の予測との間に大きな距離があることです。

生体内の情報の流れを単純化すると、次のように整理できます。

DNA ↓ Chromatin ↓ RNA ↓ Protein ↓ Cell ↓ Organ ↓ Disease

AlphaGenomeが非常に強力になったのは、主としてこの流れの前半部分です。

DNA配列から、クロマチン状態、転写、スプライシングなどの分子機能を予測する技術は大きく進歩しました。

しかし、

このvariantによってATAC signalが0.3変化します。

という予測から、

この患者が特定の疾患を発症する確率が何%増加します。

という予測に到達するまでには、まだ大きな距離があります。

これは、個別化医療だけでなく、医薬品開発においても重要な制約です。

分子レベルでの予測能力が向上することと、患者の疾患や治療反応を直接予測できることは、同じではありません。

14. 今後のゲノムAIは、三つの方向性が統合されていく#

現在のゲノムAIは、大きく三つの方向性で進化していると考えられます。

方向性1：Functional genomics型AI#

代表例は、AlphaGenome、Borzoi、scoobyです。

この系統は、DNA配列から、転写、スプライシング、クロマチン状態などの分子機能を予測します。

特に、変異がどのような分子機序に影響するかを理解するうえで重要です。

方向性2：Genomic language / foundation model型AI#

代表例は、Evo 2やNucleotide Transformerです。

この系統は、大量のDNA配列から汎用的な表現を学習します。

分子機能の予測だけでなく、広範なゲノム配列のパターンを学習する方向に進んでいます。

方向性3：Evolutionary constraint型AI#

代表例は、GPN-Starなどです。

この系統は、進化的制約やゲノム配列のパターンを利用し、変異の機能的重要性や病原性を予測します。

これら三つの方向性は、単純にどれか一つが勝ち残るという関係ではありません。

それぞれが異なる種類の情報を学習し、異なる予測課題に強みを持っています。

2026年8月のレビューでも、現在のsequence-to-function modelについて、遺伝的変異やcellular contextへのgeneralization、interpretabilityが主要な未解決課題として整理されています。[15]

したがって、今後はこれらの技術を統合し、次の三つの問いに同時に答える方向へ進むと考えるのが自然です。

• 進化的に異常か：その変異は、進化的・生物学的にどの程度重要なのでしょうか。
• どの分子機構を壊すか：転写、スプライシング、クロマチンなど、どの機能に影響するのでしょうか。
• どの細胞状態で起こるか：どの細胞種、細胞状態、環境条件で影響が現れるのでしょうか。

この三つを統合することが、より包括的なゲノムAIへ向かう重要な方向性になると考えられます。

15. まとめ：AlphaGenome Atlasが示す、生体内シミュレーションと個別化医療の現在地#

AlphaGenome Atlasの歴史的な位置づけは、sequence-to-function genomicsを全ゲノム規模の研究基盤へと発展させたことにあります。

DeepSEAがDNA配列からの調節機能予測を可能にし、Enformerが長距離の遺伝子制御を扱い、BorzoiやAlphaGenomeが複数の分子機能を統合してきました。

AlphaGenome Atlasは、その延長線上で、約90億通りの一塩基置換について分子機能への影響を事前に予測したデータベースを構築しました。

これにより、GWASやWGSで見つかった変異について、優先順位付けと分子機序の解釈を効率的に進められるようになります。

特に、希少疾患の原因変異探索や個別化医療では、単に病原性が高そうな変異を抽出するだけでなく、なぜその変異が機能異常を引き起こすと考えられるのかを調べられる点が重要です。

医薬品開発においても、疾患関連変異から分子機序を推定し、創薬標的に関する研究仮説や検証実験につなげる技術としての可能性があります。

一方で、AlphaGenome Atlasがすべてのvariant predictionで最良というわけではありません。

GPN-Starのような進化的制約に基づくモデルや、Nucleotide Transformer、Evo 2のようなgenomic foundation modelには、それぞれ異なる強みがあります。

また、実際の生体内では、同じDNA配列であっても、細胞状態や環境条件によって分子機能が変化します。

そのため、DNA配列だけで患者の疾患や治療反応を完全に予測することは、現時点ではできません。

AlphaGenome Atlasは、完成された生体内シミュレーションではなく、DNA配列と分子機能を結びつける重要な基盤技術として理解するのが適切です。

今後は、functional genomics、genomic foundation model、evolutionary constraint、cell-state-specific predictionなどの技術が統合され、DNAから細胞、臓器、疾患までをつなぐ、より包括的な生体内シミュレーションへと発展していくと考えられます。

なお、AlphaGenome Atlasは2026年9月8日に公開されたばかりのtechnical report / preprintであり、AlphaGenome本体のNature論文とは別の研究です。[1][6]

そのため、Atlasそのものの長期的な独立検証はこれからである点に注意が必要です。

現時点での成果を正確に理解しながら、今後の検証と技術的な進展を追うことが重要です。

参考文献#

[1] Google DeepMind, “AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome,” Google DeepMind Blog, 2026.
https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

[2] Zhou, J. and Troyanskaya, O. G., “Predicting effects of noncoding variants with deep learning-based sequence model,” Nature Methods, 12, 931–934, 2015.
https://www.nature.com/articles/nmeth.3547

[3] Avsec, Ž. et al., “Effective gene expression prediction from sequence by integrating long-range interactions,” Nature Methods, 18, 1196–1203, 2021.
https://www.nature.com/articles/s41592-021-01252-x

[4] Chen, K. M. et al., “A sequence-based global map of regulatory activity for deciphering human genetics,” Nature Genetics, 54, 940–949, 2022.
https://www.nature.com/articles/s41588-022-01102-2

[5] Linder, J. et al., “Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation,” Nature Genetics, 2025.
https://www.nature.com/articles/s41588-024-02053-6

[6] Google DeepMind et al., “AlphaGenome: a unified deep learning model for sequence-to-function prediction,” Nature, 2026.
https://doi.org/10.1038/s41586-025-10014-0

[7] Dalla-Torre, H. et al., “Nucleotide Transformer: building and evaluating robust foundation models for human genomics,” Nature Methods, 2025.
https://www.nature.com/articles/s41592-024-02523-z

[8] Evo 2研究チーム, “Sequence modeling and design from molecular to genome scale with Evo 2,” Nature, 2026.
https://doi.org/10.1038/s41586-026-10176-5

[9] “Benchmarking DNA foundation models for genomic variant prediction,” Nature Communications, 2025.
https://doi.org/10.1038/s41467-025-65823-8

[10] GPN-Star研究チーム, “GPN-Star: evolutionary sequence modeling for non-coding variant prediction,” Nature, 2026.
https://www.nature.com/articles/s41586-026-11005-5

[11] scooby研究チーム, “Single-cell sequence-to-function modeling with scooby,” Nature Methods, 2025.
https://www.nature.com/articles/s41592-025-02854-5

[12] GET研究チーム, “Generalizable prediction of cellular gene expression from regulatory sequence,” Nature, 2025.
https://www.nature.com/articles/s41586-024-08391-z

[13] “Context-aware sequence-to-function modeling,” Nature Communications, 2026.
https://www.nature.com/articles/s41467-026-75527-2

[14] “Evaluation of sequence-to-expression models for predicting genetic effects on gene expression,” Nature Genetics, 2023.
https://www.nature.com/articles/s41588-023-01574-w

[15] “Sequence-to-function models in regulatory genomics: progress and challenges,” Nature Genetics, 2026.
https://www.nature.com/articles/s41588-026-02670-3