AlphaGenome 2 DeepMindが発表した細胞種別DNA解析AIの設計と機能

AlphaGenome 2とは：「組織」から「細胞」へ深化したDNA解析AI

2026年11月11日、Google DeepMindはDNA解析AIの新世代モデル「AlphaGenome 2」を発表した（出典：deepmind.google）。前世代のAlphaGenome（2025年6月25日公開）が組織レベルの予測を行う固定モデルだったのに対し、AlphaGenome 2は設計思想そのものが異なる。

最大の変更点は「条件付きモデル」への転換だ。入力は100万塩基のDNA配列だけでなく、対象とする組織・細胞タイプ・細胞状態を同時に指定できる。これにより、同じゲノム配列でも「腸のマクロファージ」と「骨格筋の線維芽細胞」では異なる予測が返ってくる。生体内でDNAが実際に読まれる文脈——すなわち細胞の種類と状態——をモデルが考慮するようになった点が、技術的な跳躍の核心だ。

学習データはヒトとマウスの1億700万以上の単一細胞プロファイルで、68組織タイプをカバーする（出典：kucoin.com、shiftdelete.net）。さらに旧モデルでは非対応だったDNAメチル化の予測機能が追加された。研究者コミュニティから長年要望されていた機能であり、エピゲノム解析との統合を見据えた拡張といえる。もう一つ注目すべき点は、少量の単一細胞RNAシーケンシングデータをアップロードするだけで、既存の学習データに存在しない新規細胞状態を定義できる点だ。再学習を要さずに未知の細胞タイプへ対応できることは、希少疾患研究など参照データが乏しい領域での実用性を高める（出典：deepmind.google）。

関連記事バイオインフォマティクスの仕事と技術スタックは？ ／ OpenAI BioBasicsBenchの評価基準は？

AlphaGenome 2が示す性能：ベンチマーク結果とその解釈

TenK10K免疫細胞ベンチマーク（28種の一次免疫細胞タイプ）における比較では、因果変異検出率が旧モデルの16%からAlphaGenome 2では30%へ、遺伝子発現変化方向の正確率が23%から43%へそれぞれ向上した（出典：kucoin.com、implicator.ai、shiftdelete.net）。

ただし、このベンチマークはDeepMind自身のプレプリントに基づくものであり、独立した査読は2026年11月時点では未実施だ（出典：implicator.ai）。数値の対外的な引用には、第三者検証が進むまで留保を置くことが適切である。

より説得力があるのは実験での検証例だ。炎症性腸疾患（IBD）の研究において、AlphaGenome 2はETS2遺伝子を腸マクロファージで選択的に活性化する遺伝子変異の特定に活用された。Francis Crick InstituteのJames Lee氏は「我々が1年半かけた実験をAlphaGenome 2が30分で再現した」と証言している（出典：implicator.ai）。これは性能数値ではなく研究者の一次証言であり、実験コストの圧縮効果を示す具体的な例として重みがある。

旧AlphaGenomeとAlphaGenome 2の主要比較（TenK10K免疫細胞ベンチマーク）

評価項目	旧AlphaGenome	AlphaGenome 2	備考
因果変異検出率	16%	30%	約1.9倍（DeepMindプレプリント）
遺伝子発現変化方向の正確率	23%	43%	約1.9倍（独立査読未実施）
DNAメチル化予測	非対応	対応	研究者からの要望が多かった新機能
予測モデルの種別	固定（多組織並列）	条件付き（細胞種指定）	設計の根本変更
未知細胞タイプへの対応	再学習必要	再学習不要	少量RNAデータのアップロードで定義可
非商用APIの利用	AlphaGenome Atlas（カタログ形式）	AlphaGenome API（無償公開）	商用は申請制・非公開プレビュー段階

出典：kucoin.com、implicator.ai、shiftdelete.net。ベンチマークはDeepMind自身のプレプリントに基づく（2026年11月時点で独立査読未実施）。

日本の創薬・ゲノム研究企業にとっての意味と活用場面

AlphaGenome 2が実用段階に進むとすれば、日本の創薬・バイオベンチャー・研究機関にとって影響が出る可能性のある局面は三つに整理できる。

研究仮説の絞り込みコスト圧縮。ゲノム研究において最も時間を消費するのは、数百万単位の遺伝子変異候補から実験で検証すべき変異を絞り込む「優先順位付け」の工程だ。IBDの研究事例が示す通り、AlphaGenome 2はこの絞り込みに要する解析時間を大幅に圧縮できる可能性がある。スクリーニング精度が上がることで、ウェット実験の投資を有望な候補に集中しやすくなると考えられる。

希少疾患・複雑疾患の研究加速。少量の単一細胞RNAシーケンシングデータで新規細胞状態を定義できる機能は、十分な参照データを確保しにくい疾患領域での研究の制約を緩和する可能性がある。患者数が少ない希少疾患や、疾患の進行とともに細胞状態が変化する複雑疾患の研究において、このアプローチは実用的な意味を持つと考えられる。

産学連携の共通解析基盤としての活用。非商用研究向けにはAlphaGenome APIが無償公開されている（出典：deepmind.google）。大学・国立研究機関はAPIを通じてモデルにアクセスできるため、産学連携プロジェクトにおいて共通の解析基盤として利用できる体制は整いつつある。

導入・活用判断における留意点とリスク

AlphaGenome 2の活用を検討する際には、以下の制約を正確に把握しておく必要がある。

商用利用は申請制・非公開プレビュー段階。2026年11月時点で、商用利用は非公開プレビューとして申請受付中であり、一般提供のスケジュールは公開されていない（出典：deepmind.google）。製品パイプラインへの組み込みを前提としたロードマップ策定には、このタイムラインの不確実性を織り込む必要がある。

ベンチマークの独立検証が未完了。公表されている性能数値はDeepMind自身のプレプリントに基づく。同一条件での第三者再現実験・査読付き論文が出るまでは、数値を対外的な意思決定根拠として使用する際に慎重な姿勢が求められる。

データ管理・プライバシー規制との整合。AlphaGenome APIに対してヒトゲノムデータを投入する場合、個人情報保護法や次世代医療基盤法（医療分野の研究開発に資するための匿名加工医療情報に関する法律）との整合性確認が不可欠だ。患者由来の単一細胞データを使って新規細胞状態を定義する機能は、どのデータをAPIに送るかの設計段階で法務・倫理審査を先行させるべきだ。

計算リソースと専門人材。100万塩基のDNA配列を扱うモデルは、推論時においても相応の計算資源を要する。クラウドAPIの形であっても、解析規模によるコスト試算と、結果を解釈できるバイオインフォマティクス人材の確保は、導入前に手当てが必要な条件となる。

実務的な次の一手：日本の現場での判断軸

AlphaGenome 2を巡る意思決定は、組織の立場によって異なる。整理すると以下の三層に分かれる。

アカデミア・国立研究機関：非商用APIは無償でアクセス可能な段階に入った。まず内部のバイオインフォマティクスチームが小規模なパイロット解析を実施し、自分たちの研究課題に対するモデルの有用性と限界を具体的に把握することが先決だ。ベンチマーク数値の再現性を自施設データで確認する価値は高い。性能が主張通りであれば研究加速の手段となり、そうでなければ早期に判断を修正できる。

国内製薬・バイオベンチャー：商用プレビューへの申請を行いつつ、並行して法務・倫理審査のフレームワーク整備を進めるべき時期だ。APIへのデータ送信範囲と匿名化の水準を設計し、研究倫理委員会（IRB）への相談を先行させることで、商用提供が始まった際にすぐ本格活用に移れる体制を整えられる。

医療ITベンダー・CRO（医薬品開発業務受託機関）：AlphaGenome 2を含むゲノムAIの動向は、将来の受託解析サービスの競争環境を変える可能性がある。サービス設計の前提として、モデルが「何ができて何ができないか」の技術理解を更新しておくことが、顧客への提案精度を左右する。

いずれの立場においても、2026年11月時点でAlphaGenome 2に求められる最初のアクションは「導入決定」ではなく「技術評価と法的整理の並行準備」だ。査読付き論文の公開や商用提供の一般化を待ちながら、自社の研究課題とのフィット感を検証する準備フェーズが現実的な次の一手となる。

---

参考文献

• Google DeepMind公式ブログ「AlphaGenome 2」発表（deepmind.google）
• implicator.ai「AlphaGenome 2解説記事」（implicator.ai）
• kucoin.com「AlphaGenome 2報道」（kucoin.com）
• shiftdelete.net「AlphaGenome 2報道」（shiftdelete.net）