Blog AI Genomik

AlphaGenome 2 Memprediksi Efek Varian DNA per Jenis Sel

Ditulis oleh Alfina Putri

7 menit baca

AlphaGenome 2 Memprediksi Efek Varian DNA per Jenis Sel
Daftar isi· 7 bagian
  1. 1Apa yang dirilis Google DeepMind
  2. 2Hasil uji dan contoh penyakit
  3. 3Konteks riset genomik di Indonesia
  4. 4Apa artinya bagi rumah sakit dan lembaga riset?
  5. 5Pertanyaan yang sering muncul
  6. 6Penutup
  7. 7Sumber

Google DeepMind merilis AlphaGenome 2 pada 11 November 2026. Model AI genomik ini memprediksi bagaimana perubahan kecil pada DNA, yang disebut varian, memengaruhi aktivitas gen di jenis sel tertentu, misalnya sel imun atau sel di usus. Akses gratisnya dibuka untuk riset nonkomersial, sedangkan pemakaian untuk diagnosis pasien belum diizinkan.

Apa yang dirilis Google DeepMind

Hampir semua sel dalam tubuh membawa DNA yang sama. Perbedaannya ada pada cara sel membaca DNA itu: sel imun menyalakan gen yang berbeda dari sel otak atau sel hati. Karena itu, satu varian dapat berdampak besar di satu jenis sel dan nyaris tidak berpengaruh di sel lain. AlphaGenome 2 dirancang untuk memprediksi perbedaan efek tersebut.

Menurut pengumuman resmi DeepMind, model ini menerima dua masukan. Masukan pertama adalah urutan DNA sepanjang hingga satu juta huruf. Masukan kedua adalah satu kondisi biologis, yaitu jaringan, jenis sel, atau keadaan sel tertentu. Dari keduanya, model memprediksi ekspresi gen, aksesibilitas kromatin (seberapa terbuka bagian DNA untuk dibaca), modifikasi histon, dan metilasi DNA. Metilasi adalah pembacaan baru yang menurut DeepMind banyak diminta peneliti.

Perbedaan dengan versi pertama

AlphaGenome versi pertama, yang diperkenalkan DeepMind pada Juni 2025, memprediksi banyak jaringan sekaligus dan menghasilkan gambaran rata-rata per jaringan. Versi kedua dirancang ulang sebagai model bersyarat yang mengerjakan satu kondisi untuk setiap prediksi. Dengan rancangan ini, model mempelajari cara DNA yang sama dibaca secara berbeda oleh jenis sel yang berbeda.

Fitur baru lainnya adalah penyandi sel (cell encoder). Peneliti dapat membuat kondisi dari data single-cell milik sendiri, yaitu data aktivitas gen yang diukur sel demi sel. DeepMind menyatakan data dari beberapa lusin sel sudah cukup, tanpa perlu melatih ulang model. Dalam uji DeepMind, hasilnya menyamai atau melampaui model yang dilatih langsung pada data tersebut.

Model ini dilatih dengan lebih dari 107 juta profil sel dari 68 jaringan, memakai data manusia dan tikus. Sarah Teichmann, salah satu pendiri konsorsium Human Cell Atlas dan profesor di University of Cambridge, menyoroti kemampuan tersebut dalam pernyataan yang dimuat DeepMind: “What makes AlphaGenome 2 exciting is how it adapts directly to new single-cell data without retraining.”

Tabel perbandingan AlphaGenome versi pertama dan AlphaGenome 2 dari sisi cara memprediksi, tingkat rincian, dukungan data sel milik peneliti, metilasi DNA, dan biaya komputasi

Hasil uji dan contoh penyakit

DeepMind menguji model pada TenK10K, peta single-cell yang mencakup 28 jenis sel imun primer. Menurut Interesting Engineering, AlphaGenome 2 menemukan 30% varian penyebab, sedangkan AlphaGenome versi pertama yang disesuaikan dengan data single-cell dan alat khusus lain menemukan 16%. Untuk menebak arah efek, yaitu apakah varian menaikkan atau menurunkan aktivitas gen, ketepatannya 43% dibanding 23%.

Angka tersebut berasal dari evaluasi DeepMind sendiri. Hingga artikel ini ditulis, hasilnya belum diuji ulang oleh pihak independen.

Grafik batang hasil uji TenK10K: AlphaGenome 2 menemukan 30 persen varian penyebab dibanding 16 persen alat pembanding, dan menebak arah efek dengan tepat 43 persen dibanding 23 persen

Radang usus dan COVID-19

DeepMind memberi dua contoh penyakit. Contoh pertama adalah penyakit radang usus (inflammatory bowel disease). Model mereproduksi temuan yang sudah dipublikasikan tentang varian di wilayah pengatur yang letaknya jauh dari gen ETS2. Varian itu membuat ETS2 terlalu aktif di makrofag usus, sejenis sel imun. AlphaGenome 2 menunjuk varian penyebabnya dan memprediksi efeknya terpusat di sel tersebut.

Contoh kedua memakai data single-cell dari penerima vaksin mRNA COVID-19. Model dapat membedakan sel T yang aktif setelah vaksinasi dari sel T yang sedang istirahat. Model juga menunjukkan bahwa satu varian yang dikaitkan dengan COVID-19 berat lebih kuat mengganggu aktivitas gen pada sel T yang aktif. Menurut MLQ.ai, data studi ini tidak dipakai saat model dilatih.

DeepMind juga menerbitkan prediksi siap pakai untuk varian yang terkait sifat dan penyakit di ratusan kondisi sel dan jaringan, misalnya tinggi badan dan diabetes tipe 2. Selain itu, DeepMind bekerja sama dengan Wellcome Sanger Institute untuk memetakan lebih banyak jenis dan keadaan sel.

Batasan yang diakui DeepMind

DeepMind menyatakan AlphaGenome 2 hanya untuk riset dan belum divalidasi atau disetujui untuk keperluan klinis maupun diagnosis. Dokumentasi resmi di GitHub menegaskan prediksinya tidak boleh dipakai untuk keputusan klinis atau dijadikan nasihat medis. Prediksi komputasi juga tetap perlu dibuktikan lewat eksperimen laboratorium.

Biaya komputasinya juga lebih besar. MLQ.ai, mengutip The Verge, melaporkan prediksi AlphaGenome 2 lebih mahal dibuat daripada versi pertama. Karena itu, DeepMind tidak membuat atlas seluruh genom dengan model baru ini, dan versi pertama tetap tersedia.

Konteks riset genomik di Indonesia

Di Indonesia, Kementerian Kesehatan menjalankan Biomedical and Genome Science Initiative (BGSi) untuk kedokteran presisi, yaitu pengobatan yang disesuaikan dengan profil genetik pasien. Menurut TVRI News pada Februari 2026, program ini telah merekrut lebih dari 20.000 peserta, menghasilkan sekitar 16.000 urutan genom utuh, dan melibatkan 10 rumah sakit sebagai pusat jejaring.

detikHealth mencatat target Menteri Kesehatan sebesar 100.000 sampel pada 2026 dan 400.000 sampel pada 2030. Fokus awalnya adalah stroke, penyakit jantung, dan kanker payudara.

Semakin banyak genom yang diurutkan, semakin banyak pula varian yang perlu ditafsirkan. Sebagian besar varian tidak berbahaya, sehingga peneliti perlu menyaring mana yang layak diuji di laboratorium. Model seperti AlphaGenome 2 dirancang untuk membantu penyaringan tersebut pada tingkat jenis sel.

Ada perbedaan penting dibanding model genomik lain. Sebelumnya, Hugging Face merilis Carbon-X, model terbuka untuk pertanyaan seputar DNA yang bobotnya dapat diunduh dan dijalankan di server sendiri. AlphaGenome 2 diakses lewat API dan Google Cloud, sehingga urutan atau varian yang dianalisis dikirim ke layanan Google. Pengumuman DeepMind tidak menyebut rencana merilis bobot AlphaGenome 2.

Hal ini penting karena UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi menggolongkan data genetika sebagai data pribadi yang bersifat spesifik, sejajar dengan data kesehatan dan data biometrik.

Apa artinya bagi rumah sakit dan lembaga riset?

Bagi rumah sakit pendidikan, laboratorium genomik, dan kampus kedokteran, AlphaGenome 2 dapat menjadi alat bantu riset yang menarik untuk dicoba. Ada empat hal yang perlu disiapkan sebelum memulai.

Empat hal yang perlu disiapkan rumah sakit dan lembaga riset sebelum mencoba AlphaGenome 2: batasi untuk riset, periksa izin pakai, lindungi data genetik, dan uji di laboratorium

  1. Batasi untuk riset. Pakai prediksinya untuk menyaring kandidat varian dalam penelitian. Hasilnya tidak dimasukkan ke rekam medis atau dipakai untuk menentukan terapi pasien.
  2. Periksa izin pakai. API gratis hanya untuk penggunaan nonkomersial, dan keluarannya tidak boleh dipakai untuk kegiatan komersial atau untuk melatih model machine learning lain. Laboratorium yang melayani klien berbayar perlu memeriksa apakah kegiatannya tergolong komersial, karena jalur komersial tersedia terpisah lewat Google Cloud.
  3. Lindungi data genetik. Sebelum mengirim urutan atau varian dari sampel pasien ke layanan di luar negeri, pastikan ada persetujuan peserta, data sudah dipisahkan dari identitas, dan pengiriman sesuai aturan transfer data dalam UU PDP. Uji coba awal dapat memakai data publik terlebih dahulu.
  4. Uji di laboratorium. Kandidat varian dari model tetap dikonfirmasi lewat eksperimen dan dibandingkan dengan data pasien setempat sebelum hasilnya dipublikasikan.

Di sisi teknis, tim perlu menyiapkan alur data yang tercatat: dari mana sampel berasal, varian apa yang dikirim ke API, dan siapa yang mengakses hasilnya. Catatan seperti ini memudahkan audit etik penelitian dan pemeriksaan kepatuhan. Tim solusi kesehatan digital dan layanan analitik data Merakit dapat membantu merancang alur tersebut, termasuk pemisahan identitas dan log akses.

Pertanyaan yang sering muncul

Apakah AlphaGenome 2 dapat dipakai untuk mendiagnosis pasien?

Belum. DeepMind menyatakan model ini hanya untuk riset dan belum divalidasi atau disetujui untuk keperluan klinis maupun diagnosis. Dokumentasi resminya juga melarang prediksi dipakai untuk keputusan klinis.

Berapa biaya memakai AlphaGenome 2?

Untuk riset nonkomersial, AlphaGenome 2 dapat diakses gratis lewat AlphaGenome API. Untuk keperluan komersial, DeepMind membuka pratinjau privat lewat Google Cloud. Pengumuman DeepMind tidak menyebutkan harga akses komersial.

Apakah peneliti dapat memakai data sel milik sendiri?

Dapat. Lewat penyandi sel, peneliti dapat mengunggah data single-cell RNA-seq sendiri untuk membuat kondisi baru, misalnya keadaan sel saat sakit atau setelah diberi obat. DeepMind menyebut data dari beberapa lusin sel sudah cukup tanpa melatih ulang model.

Penutup

AlphaGenome 2 memperlihatkan arah baru AI genomik, yaitu membaca efek varian DNA hingga tingkat jenis dan keadaan sel. Nilainya sebagai alat bantu riset cukup jelas, sementara hasil ujinya masih menunggu evaluasi independen dan pemakaiannya belum sampai ke layanan pasien. Jika lembaga Anda sedang menyiapkan riset berbasis data genomik dan membutuhkan alur data yang aman, Merakit Indonesia siap berdiskusi.

Sumber

Ringkasan dalam satu gambar

Simpan atau bagikan ke tim Anda.

Unduh
Infografis ringkasan: AlphaGenome 2 Memprediksi Efek Varian DNA per Jenis Sel

Topik

  • AI Genomik
  • Kesehatan Digital
  • Google DeepMind
  • Kedokteran Presisi
  • Riset Medis

Bagikan artikel ini

Diskusi dengan Tim Merakit

Punya tantangan serupa di organisasi Anda?

Ceritakan kebutuhan Anda. Tim kami bantu memetakan langkah dan solusi yang paling masuk akal, tanpa jargon.