AlphaGenome 2: לחזות באילו תאים שינוי ב־DNA ישפיע
המודל AlphaGenome 2 של Google DeepMind חוזה השפעות של שינויים גנטיים לפי סוג התא ומצבו. החברה מדווחת על שיפור בזיהוי וריאנטים סיבתיים, אך הוא אינו מאומת לשימו
Google DeepMind הציגה ב־11 בנובמבר 2026 את AlphaGenome 2, מודל שמנסה לחזות לא רק אם שינוי ב־DNA ישפיע על פעילות ביולוגית, אלא באילו סוגי תאים ובאילו מצבים תאיים ההשפעה תופיע. במבחן שעליו דיווחה החברה הוא זיהה 30% מהווריאנטים הסיבתיים, לעומת 16% בגרסה הקודמת שהותאמה לנתוני תא בודד. זו התקדמות אפשרית במיקוד מחקר על מחלות, אך לא הוכחה ליכולת אבחון: המודל זמין למחקר לא־מסחרי ואינו מאומת או מאושר לשימוש קליני.
מה חדש: לעבור מממוצע של רקמה להקשר של התא
כדי להבין את החידוש, צריך להפריד בין רצף ה־DNA לבין האופן שבו תא משתמש בו. תאים מסוגים שונים יכולים לשאת את אותו שינוי גנטי, אך לפעול אחרת משום שהפעילות הגנטית שלהם שונה. גם מצבו של התא חשוב: תא במנוחה ותא שמגיב לגירוי אינם בהכרח מפעילים את אותן תוכניות ביולוגיות. לכן, השאלה אם שינוי מסוים משפיע אינה מספיקה; צריך לשאול גם היכן ובאילו תנאים.
לפי DeepMind, AlphaGenome 2 מכוון בדיוק לרזולוציה הזאת: חיזוי השפעות של שינויים גנטיים ברמת סוג התא והמצב התאי, במקום להסתפק בתמונה ממוצעת של רקמה. ממוצע יכול להסתיר הבדלים בין קבוצות תאים. השפעה שמופיעה בקבוצה מסוימת עשויה להיות קשה יותר לזיהוי כאשר בוחנים יחד תאים שהתנהגותם שונה.
מבחינת החוקר, הערך האפשרי הוא מעבר מרשימת שינויים חשודים להשערה ממוקדת יותר: איזה שינוי לבדוק, באיזה סוג תא, ואיזו השפעה לחפש. תחזית כזאת עשויה לעזור לתכנן ניסוי מועיל יותר. היא אינה מוכיחה שהמנגנון החזוי אכן פועל בגוף, ואינה פוטרת מהצורך לבחון אותו באופן בלתי תלוי.
מה באמת אומר הנתון: 30% לעומת 16%
ההשוואה שפרסמה החברה מתייחסת לזיהוי וריאנטים סיבתיים, כלומר שינויים גנטיים שיש להם תפקיד סיבתי בתופעה הנבדקת. נקודת ההשוואה היא הגרסה הקודמת שהותאמה לנתוני תא בודד. זהו פרט חשוב: התוצאה אינה השוואה לרופא, לבדיקת מעבדה רפואית או לכל שיטות המחקר הקיימות, אלא למערכת מסוימת במסגרת מבחן מדווח.
אין לקרוא את הנתון כ־30% דיוק באבחון מחלות. הוא גם אינו אומר שהמודל מסביר שיעור כזה מכל המחלות הגנטיות. בלי בחינה של הרכב המבחן, הגדרת ההצלחה ואופן בחירת הדוגמאות, אי אפשר להרחיב את המסקנה לכל סוג תא, לכל אוכלוסייה או לכל מחלה. הנתון מצביע על שיפור במשימה שנבדקה, לא על פתרון כללי לפענוח משמעותם של שינויים ב־DNA.
- מה מדווח: זיהוי של 30% מהווריאנטים הסיבתיים במבחן של החברה, מול 16% בנקודת ההשוואה שצוינה.
- מה עשוי להשתפר במחקר: תעדוף שינויים גנטיים ובחירת ההקשר התאי לניסוי המשך.
- מה צריך לבדוק בנפרד: ביצועים בנתונים עצמאיים, בסוגי תאים שונים ובאוכלוסיות המחקר הרלוונטיות.
- מה לא הוכח: התאמה לאבחון, לבחירת טיפול או לקבלת החלטות רפואיות.
ההבטחה המחקרית היא לכוון טוב יותר את הניסוי הבא, לא לדלג עליו.
איך תחזית יכולה להפוך לשאלת מחקר טובה יותר
נניח שקבוצת מחקר מצאה כמה שינויים גנטיים הקשורים לתופעה מסוימת, אך אינה יודעת מי מהם מעורב במנגנון ומי רק מופיע לצדו. זהו תרחיש המחשה, לא ניסוי שדווח בהכרזה. מערכת שחוזה השפעה בהקשר תאי מסוים עשויה לעזור לבחור באילו שינויים להתמקד ובאיזו מערכת ניסויית לבדוק אותם.
במקום לבדוק כל מועמד באותם תנאים, החוקרים יכולים לנסח השערה: שינוי מסוים משפיע בעיקר בסוג תא אחד, או כשהתא נמצא במצב מסוים. לאחר מכן צריך למדוד אם ההשפעה אכן קיימת, אם היא תואמת את התחזית ואם יש לה קשר לתופעה הנחקרת. גם תחזית שנכשלת יכולה להיות אינפורמטיבית, כל עוד הניסוי תוכנן כך שאפשר יהיה להבין מה בדיוק לא עבד.
לכן, מבחן שימושי למודל אינו רק הציון במבחן ההשוואתי. חשוב גם לבדוק אם ההמלצות שלו מובילות לניסויים שמפיקים ידע חדש, ואם הוא מוסיף ערך מעבר לתהליך התעדוף שכבר קיים במעבדה. אלה שאלות להערכה מעשית, ולא תוצאות שאפשר לייחס למודל על בסיס ההכרזה לבדה.
המשמעות לישראל: כלי למחקר, עם גבולות גישה ופרטיות
עבור מעבדת גנומיקה באוניברסיטה בישראל או צוות מחקר בבית חולים, הגישה באמצעות API עשויה לאפשר בחינה של המודל כחלק מתהליך ניתוח קיים. נקודת פתיחה זהירה תהיה שימוש בנתוני מחקר שמותר לעבד בשירות חיצוני, והשוואת התחזיות לממצאים ניסויים מוכרים. כך אפשר לבדוק התאמה לשאלת המחקר המקומית לפני שמסתמכים על המודל לבחירת ניסויים חדשים.
בחברת ביוטק ישראלית, שאלת הרישוי קודמת להטמעה. הזמינות שהוכרזה היא למחקר לא־מסחרי באמצעות API; אין להסיק ממנה היתר לפיתוח שירות מסחרי. גם מוסד אקדמי צריך לבדוק בנפרד את תנאי השימוש ואת מדיניות הטיפול בנתונים. חיבור טכני לשירות אינו מהווה אישור להעברת מידע גנטי רגיש אליו.
לפני שליחת נתונים ל־API, יש לבדוק את הרשאות השימוש, הסכמות המשתתפים, דרישות ועדת האתיקה ומדיניות אבטחת המידע של המוסד. AlphaGenome 2 אינו מאומת או מאושר לאבחון או לשימוש קליני, ואין לתרגם תחזית שלו להמלצה רפואית.
עוד שאלה מעשית לצוות בארץ היא עד כמה נתוני ההערכה רלוונטיים לקבוצת המשתתפים שהוא חוקר. ביצועים מדווחים אינם מבטיחים ביצועים זהים בכל אוכלוסייה או בכל אוסף נתונים. לכן כדאי להגדיר מראש מה ייחשב ערך מוסף במחקר המקומי, ואילו שגיאות יהיו משמעותיות במיוחד.
מה הלאה: לבדוק אם המיקוד התאי משפר גם את הניסויים
הצעד הבא בהערכת AlphaGenome 2 יהיה לראות עד כמה השיפור המדווח נשמר בבדיקות עצמאיות, והאם ההבחנה בין סוגי תאים ומצבים תאיים מסייעת לחשוף מנגנוני מחלה. חשוב במיוחד לבחון לא רק דוגמאות מוצלחות, אלא גם מקרים שבהם המודל מפספס השפעה או מציע כיוון שאינו נתמך בניסוי.
נכון ל־12 בנובמבר 2026, המסר מההכרזה ממוקד: DeepMind מדווחת על חיזוי מפורט יותר ועל שיפור במבחן לזיהוי וריאנטים סיבתיים. עבור חוקרים בישראל, זו סיבה לבחון כלי חדש לתעדוף ולניסוח השערות. עבור מטופלים, זו עדיין התפתחות מחקרית, לא בדיקה רפואית חדשה ולא הבטחה לטיפול.
שאלות נפוצות
מה עושה AlphaGenome 2?
AlphaGenome 2 של Google DeepMind מנבא כיצד שינויים ב־DNA עשויים להשפיע על סוגי תאים ומצבים תאיים מסוימים. המטרה המחקרית היא לעזור לזהות מנגנונים אפשריים של מחלה ולתעדף ניסויים, ולא להחליף אימות במעבדה.
האם AlphaGenome 2 יכול לאבחן מחלות גנטיות?
לא. AlphaGenome 2 אינו מאומת או מאושר לאבחון או לשימוש קליני, ואין להסיק מהתחזיות שלו לבדן אם אדם חולה או זקוק לטיפול.
איך אפשר להשתמש ב־AlphaGenome 2 למחקר?
לפי הודעת Google DeepMind, המודל זמין למחקר לא־מסחרי באמצעות API. לפני שימוש יש לבדוק את תנאי הגישה והטיפול בנתונים; הזמינות הזו אינה מעידה על היתר לשימוש מסחרי או להעלאת מידע גנטי מזוהה.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות