Google DeepMind lança AlphaGenome Atlas, mapa de IA com 9 bilhões de mutações possíveis no DNA humano

O Google DeepMind anunciou nesta terça-feira (8) o AlphaGenome Atlas, um banco de dados que prevê o efeito de todas as 9 bilhões de trocas de uma única letra possíveis no DNA humano. A empresa descreve o material como o catálogo mais completo já feito sobre como mutações genéticas afetam a biologia molecular, disponível de graça para pesquisa acadêmica em um portal na web. A conta por trás do número é simples. O genoma humano tem cerca de 3 bilhões de pares de base e, em cada posição, existem três substituições possíveis de nucleotídeo, o que dá 9 bilhões de variantes catalogadas no Atlas. O conjunto final de dados ocupa aproximadamente 1 petabyte. O problema que o Atlas tenta resolver A ciência entende relativamente bem os 2% do genoma que codificam proteínas. Os outros 98%, chamados de região não codificante, seguem em boa parte um mistério, e é justamente ali que mora a maioria das variantes ligadas a doenças e características humanas. Como explica Carl de Boer, genomicista da Universidade da Colúmbia Britânica, entender como mudanças no DNA afetam essa regulação é fundamental para compreender a maior parte das doenças. O modelo AlphaGenome, base do Atlas, já fazia esse trabalho. Ele foi anunciado em 2025 e ganhou um artigo na revista Nature em janeiro de 2026, quando também foi liberado para uso público não comercial. O modelo analisa até 1 milhão de pares de base de uma vez e prevê expressão gênica, padrões de splicing de RNA e interações da cromatina com resolução de base única. O gargalo era prático. Antes, o pesquisador precisava escolher quais variantes queria testar, escrever código e rodar um modelo pesado do ponto de vista computacional. Agora o DeepMind fez esse trabalho antecipadamente para todas as trocas possíveis. AVI, a nota única que resume cada mutação A novidade mais pedida pela comunidade científica é o AlphaGenome Variant Impact (AVI), uma nota única de impacto para cada variante. O escore combina o AlphaGenome com o AlphaMissense, modelo do DeepMind voltado a variantes que alteram proteínas, condensando as previsões dos dois em um só número. Na prática, isso permite ranquear milhares de candidatos rapidamente em vez de garimpar tabelas gigantes. O Atlas ainda decompõe cada nota AVI em contribuições por categoria interpretável, como acessibilidade da cromatina, splicing e conservação, e traz um acervo com mais de 2.500 motivos recorrentes de DNA, as chamadas palavras do genoma. Dois casos que já saíram do papel O primeiro veio da área de doenças raras. Em parceria com o consórcio GREGoR, Laura Covill e Anne O'Donnell-Luria, do Broad Institute, usaram o escore AVI para priorizar variantes que tinham passado batido em análises anteriores e chegaram a uma alteração no gene DNM1, fortemente associado à encefalopatia epiléptica. As previsões mostraram o mecanismo: a variante criava um sítio de splicing incorreto, o que levava a uma extensão anormal da proteína resultante. Testes experimentais confirmaram a previsão. O segundo caso é de genética populacional. Gareth Hawkes, pesquisador da Universidade de Exeter, aplicou o Atlas a dados de genoma completo de mais de 54 mil participantes do UK Biobank. Ao agrupar variantes raras pelo efeito molecular previsto, ele encontrou 22% mais associações genéticas não codificantes, sinais que ficariam perdidos no ruído estatístico. O método apontou variantes reguladoras ligadas a proteínas como PLA2G7, associada ao envelhecimento, e EGLN1, um sensor celular de oxigênio. Focando no 1% de variantes não codificantes mais impactantes, Hawkes identificou 19 regiões genéticas ligadas ao índice de massa corporal. O irmão mais novo do AlphaFold A comparação com o AlphaFold é inevitável e a própria DeepMind faz questão dela. O Atlas é mais de 30 vezes maior que o banco de dados do AlphaFold, projeto que previu a estrutura tridimensional de proteínas e rendeu a Demis Hassabis, então chefe da DeepMind, uma parte do Nobel de Química de 2024. A diferença é o objeto de estudo. O AlphaFold lida com proteínas, enquanto o AlphaGenome Atlas trabalha com o DNA, ou seja, as instruções para produzir essas proteínas e regular sua função. O novo atlas também é bem menos preciso que o antecessor. Fazer as contas caberem no orçamento foi um projeto de engenharia por si só. Segundo Žiga Avsec, líder de genômica da DeepMind, as estimativas iniciais indicavam que a equipe precisaria acelerar o cálculo em 80 vezes para compilar o Atlas em tempo razoável. O time chegou lá com destilação de modelo, otimização de kernels de GPU e eliminação de cálculos redundantes. Onde a IA ainda tropeça O anúncio vem com ressalvas importantes, e elas não são detalhe. Muitas doenças estão associadas a várias variantes genéticas ao mesmo tempo, não a uma só. E, apesar de o AlphaGenome enxergar um trecho grande de DNA ao redor da variante, sequências chamadas enhancers conseguem regular genes a distâncias muito longas, às vezes fora do campo de visão do modelo. De Boer, que não tem ligação com a DeepMind, considera o AlphaGenome o modelo líder da área, mas aponta que ele é lento e computacionalmente intensivo. Sobre a nota única de impacto, ele resume o risco: a métrica tem uso claro, mas provavelmente vai ser mal interpretada com facilidade, já que o sistema biológico é complexo e tem muitas peças em movimento. Há ainda um alerta explícito da própria empresa: o AlphaGenome não foi validado nem aprovado para nenhum uso clínico. É ferramenta para gerar hipóteses e priorizar experimentos de laboratório, não para diagnóstico. Como acessar O AlphaGenome Atlas está disponível desde já pelo portal na web, pela API do AlphaGenome no GitHub e como uma habilidade dentro do Google Antigravity, a plataforma de desenvolvimento agêntico da empresa. O uso comercial pelo Google Cloud deve chegar em breve. Para pesquisa não comercial, o acesso é gratuito. O movimento segue a mesma lógica que o Google vem aplicando em outras frentes de inteligência artificial, como quando reposicionou o NotebookLM como Gemini Notebook e ampliou seus recursos de análise de dados: transformar um modelo em produto acessível para quem não escreve código. Leia também