Perbedaan itu terdengar teknis, tetapi dampaknya besar bagi riset genetika. Setiap sel dalam tubuh manusia membawa DNA yang sama, namun sel otot jantung membaca DNA tersebut dengan cara yang berbeda dari sel imun, dan sel yang sedang meradang membaca DNA secara berbeda dari sel yang sama dalam keadaan sehat. Sebuah varian DNA bisa menjadi pemicu penyakit hanya pada satu jenis sel yang sangat spesifik, sementara pada jaringan secara keseluruhan sinyalnya tenggelam dalam rata-rata. Di sinilah AlphaGenome 2 bekerja: ia mencoba menjawab pertanyaan yang lebih tajam, yaitu bukan sekadar "apakah varian ini berpengaruh", melainkan "varian ini berpengaruh pada sel yang mana, dalam kondisi apa, dan terhadap gen apa".
## Masalah yang coba diselesaikan AlphaGenome 2
Sebagian besar varian DNA yang dikaitkan dengan penyakit melalui studi asosiasi genom (GWAS) tidak berada di dalam gen pengkode protein, melainkan di wilayah non-pengkode yang mengatur kapan dan seberapa kuat sebuah gen diekspresikan. Menentukan varian mana di antara puluhan varian yang berkorelasi yang benar-benar menjadi penyebab — yang disebut varian kausal — adalah salah satu pekerjaan paling sulit dalam genetika manusia. Statistik asosiasi saja tidak cukup, karena varian-varian yang berdekatan di kromosom cenderung diwariskan bersama, sehingga sinyal asosiasi tersebar ke banyak kandidat sekaligus.
AlphaGenome pertama, yang dirilis DeepMind sebelumnya, sudah membantu mempersempit pencarian dengan memprediksi efek varian pada berbagai jaringan sekaligus. Namun pendekatan itu memiliki titik buta: ketika sebuah varian hanya aktif pada satu jenis sel langka, atau hanya ketika sel berada dalam kondisi tertentu seperti teraktivasi oleh penyakit, efeknya menjadi encer ketika dirata-rata ke seluruh jaringan. Menurut laporan Unite.AI, inilah kelemahan yang coba diatasi AlphaGenome 2. Model baru ini mengevaluasi satu kondisi pada satu waktu dan menyalurkan informasi kondisi tersebut ke seluruh jaringan sarafnya, sehingga segmen DNA yang sama dapat dibaca secara berbeda pada tiap jenis sel.
Pendekatan ini juga membuka pintu bagi data peneliti sendiri. Seorang peneliti dapat memasok data RNA-seq sel tunggal dari eksperimennya — sebuah potret aktivitas gen dari sel-sel yang ia teliti — lalu sebuah encoder sel mengubah data tersebut menjadi kondisi yang dipakai model, tanpa perlu melatih ulang model dari awal. Menurut laporan CellCog, pengumuman DeepMind menyebutkan bahwa adaptasi ini dapat bekerja dengan data aktivitas gen dari hanya beberapa lusin sel. Bagi laboratorium yang mempelajari jenis sel langka atau kondisi penyakit yang spesifik, kemampuan ini membuat model terasa seperti alat yang bisa disesuaikan, bukan sekadar basis data prediksi yang statis.
## Bagaimana model ini dilatih
Menurut pengumuman resmi DeepMind yang dilaporkan berbagai media, AlphaGenome 2 dilatih pada data bulk dan sel tunggal dari sampel manusia dan tikus, mencakup lebih dari 100 juta profil sel individu — CellCog menyebut angka lebih spesifik, yaitu lebih dari 107 juta profil sel individu — yang tersebar pada 68 jaringan. Skala pelatihan inilah yang memungkinkan model mempelajari pola regulasi gen yang berbeda-beda antar sel, bukan sekadar pola rata-rata jaringan.
Arsitektur kondisionalnya menjadi pembeda utama dari pendahulunya. Pada AlphaGenome pertama, model mengeluarkan prediksi untuk banyak jaringan sekaligus dalam satu jalan. Pada AlphaGenome 2, peneliti memilih satu kondisi — jaringan, jenis sel, atau kondisi sel tertentu — dan model menghitung prediksi khusus untuk kondisi tersebut. CellCog menulis bahwa DeepMind menggambarkan model ini sebagai "conditional model", dan arsitektur ini berarti setiap prediksi membutuhkan jalan komputasi tersendiri untuk tiap kondisi. Konsekuensinya, menjalankan model untuk ratusan kondisi sekaligus menjadi pekerjaan komputasi yang berat, dan inilah salah satu alasan DeepMind juga menyediakan sumber daya yang sudah dihitung sebelumnya, seperti yang akan dibahas di bawah.
Perlu dicatat bahwa semua angka kinerja yang dilaporkan sejauh ini berasal dari DeepMind sendiri, melalui pengumuman dan makalah teknisnya. Belum ada replikasi independen yang dipublikasikan oleh laboratorium lain pada saat pengumuman, kecuali satu contoh validasi yang disebutkan DeepMind dari Francis Crick Institute. Pembaca yang mengikuti perkembangan ini sebaiknya memperlakukan angka-angka tersebut sebagai klaim vendor yang menunggu pengujian independen, bukan sebagai hasil yang sudah mapan.
## Angka-angka penting: TenK10K dan lompatan recall
Tolok ukur utama yang disorot DeepMind adalah TenK10K, sebuah dataset imun sel tunggal yang mencakup 28 jenis sel imun primer. Pada dataset ini, menurut laporan Unite.AI dan AI Weekly, AlphaGenome 2 berhasil memulihkan 30 persen varian ekspresi yang diduga kausal pada presisi 90 persen, dibandingkan dengan 16 persen untuk AlphaGenome 1 yang di-fine-tuning pada data sel tunggal. Dengan kata lain, pada tingkat presisi yang sama, model baru menemukan hampir dua kali lipat varian kausal dibandingkan pendahulunya.
Angka kedua yang tidak kalah penting menyangkut arah efek. AlphaGenome 2 memulihkan 43 persen arah efek varian pada akurasi 90 persen, dibandingkan dengan 23 persen untuk pendahulunya. Mengetahui arah efek — apakah sebuah varian menaikkan atau menurunkan ekspresi gen target — penting dalam riset penyakit, karena arah tersebut menentukan hipotesis tentang mekanisme penyakit dan, pada akhirnya, tentang target terapi yang masuk akal.
Namun angka-angka ini juga perlu dibaca dengan jujur. Makalah DeepMind sendiri memperingatkan, seperti dilaporkan Unite.AI, bahwa bahkan pada presisi tinggi, AlphaGenome 2 hanya memulihkan sebagian kecil varian ekspresi dan varian terkait penyakit yang dinominasikan oleh analisis statistik sebagai kemungkinan kausal. Kenaikan dari 16 persen menjadi 30 persen adalah kemajuan nyata, tetapi 70 persen varian kausal masih terlewat. Selain itu, menurut laporan ClawdBytes, prediksi model melemah pada wilayah kromatin yang sulit diakses dan pada kondisi sel penyakit yang bersifat sementara. Jadi gambaran yang akurat bukanlah "model ini menyelesaikan masalah varian kausal", melainkan "model ini menggandakan kemampuan kita menemukan varian kausal, dari titik awal yang masih rendah".
## Contoh penyakit: dari credible set ke satu varian
Untuk menunjukkan kegunaan praktis model ini, DeepMind menyoroti sebuah contoh penyakit radang usus (IBD). Dari sebuah credible set berisi tujuh varian — yaitu tujuh kandidat yang secara statistik sama-sama mungkin menjadi penyebab — AlphaGenome 2 menunjuk varian rs2836882 dan mengaitkannya dengan gen ETS2.
Validasi yang paling banyak dikutip dalam laporan peluncuran datang dari Francis Crick Institute. Menurut laporan AI Weekly, peneliti di institut tersebut berhasil mereplikasi hasil laboratorium IBD yang sebelumnya memakan waktu satu setengah tahun, hanya dalam waktu 30 menit, dengan menggunakan AlphaGenome 2. Ini adalah contoh validasi independen pertama yang disebutkan pada saat peluncuran, dan DeepMind menampilkannya sebagai bukti bahwa model ini dapat mempercepat riset nyata, bukan sekadar mencetak angka tolok ukur yang bagus.
Tentu saja, satu contoh yang berhasil tidak membuktikan bahwa model akan bekerja sama baiknya pada semua penyakit atau semua jenis sel. Tetapi contoh tersebut menjelaskan mengapa pengumuman ini mendapat perhatian besar di komunitas genomik: penghematan waktu dari 1,5 tahun menjadi 30 menit, jika dapat diulang pada kasus lain, akan mengubah ekonomi riset genetika penyakit secara mendasar.
## Dua sumber daya yang sudah dihitung sebelumnya
DeepMind tidak hanya merilis modelnya, tetapi juga dua sumber daya yang sudah dihitung sebelumnya bagi peneliti yang tidak ingin menjalankan perbandingan skala besar sendiri. Menurut laporan Unite.AI dan Dev.to, sumber daya pertama memetakan hubungan enhancer-gen pada 640 kondisi referensi sel tunggal primer dan 39.323 gen pengkode protein serta RNA non-pengkode panjang. Enhancer adalah wilayah DNA yang mengatur ekspresi gen dari kejauhan, dan memetakan enhancer mana yang mengendalikan gen mana pada tiap jenis sel adalah pekerjaan yang selama ini membutuhkan eksperimen mahal dan memakan waktu.
Sumber daya kedua memberi skor pada lebih dari 6,8 juta varian huruf tunggal yang umum dan terkait sifat, pada 510 kondisi manusia, untuk menominasikan kemungkinan varian kausal, gen target, arah efek, dan kondisi sel yang relevan. Bagi peneliti yang mempelajari penyakit kompleks, sumber daya semacam ini berfungsi seperti peta awal: bukan jawaban akhir, tetapi titik berangkat yang jauh lebih tajam daripada daftar asosiasi statistik mentah.
Kedua sumber daya ini juga menjelaskan strategi DeepMind. Karena AlphaGenome 2 menghitung prediksi per kondisi dan perhitungannya berat, menyediakan hasil yang sudah dihitung untuk ratusan kondisi umum membuat model ini dapat dipakai oleh banyak peneliti tanpa harus menjalankan infrastruktur komputasi besar sendiri.
## AlphaGenome 2, AlphaGenome 1, dan AlphaGenome Atlas
Agar tidak terjadi kebingungan, penting membedakan tiga hal yang namanya mirip. AlphaGenome 1 adalah model pertama, yang memprediksi efek varian pada banyak jaringan sekaligus. AlphaGenome 2 adalah model baru yang bersifat kondisional, memprediksi untuk satu jenis atau kondisi sel pada satu waktu, dan dapat menyesuaikan diri dengan data sel tunggal peneliti tanpa pelatihan ulang. Keduanya adalah model yang dijalankan peneliti untuk pertanyaan spesifik mereka.
AlphaGenome Atlas, yang ditambahkan DeepMind pada 8 September 2026, adalah hal yang berbeda: sebuah atlas berisi prediksi untuk seluruh 9 miliar kemungkinan perubahan huruf tunggal pada genom manusia. Atlas adalah sumber daya referensi yang sudah dihitung, sedangkan AlphaGenome 2 adalah model yang dapat dipakai untuk pertanyaan baru. Seperti ditegaskan dalam laporan Dev.to, AlphaGenome 2 adalah rilis model yang terpisah, bukan perpanjangan dari Atlas. Perbedaannya penting karena menentukan kapan peneliti memakai yang mana: Atlas untuk melihat prediksi yang sudah ada, AlphaGenome 2 untuk mengajukan pertanyaan baru pada kondisi sel yang spesifik.
## Akses dan batasan penggunaan
Pada saat peluncuran, AlphaGenome 2 tersedia untuk riset non-komersial melalui AlphaGenome API, dan riset komersial berada dalam private preview. DeepMind juga menyediakan tutorial Colab untuk pemakaian model dan untuk expression conditioning, yaitu cara memasok data ekspresi peneliti sendiri sebagai kondisi.
Minat komersial sudah terlihat. Menurut laporan ClawdBytes, Peter Donnelly, CEO Genomics PLC, menyatakan ketertarikan untuk memasukkan alat ini ke dalam platform Mystra milik perusahaannya. Namun perlu ditegaskan dengan jelas: kedua versi AlphaGenome dibatasi hanya untuk penggunaan riset. Seperti dilaporkan CellCog dan Unite.AI, model ini belum divalidasi atau disetujui untuk tujuan klinis maupun diagnostik. Ini adalah alat riset, bukan alat medis, dan hasil prediksinya tidak boleh dipakai untuk mengambil keputusan klinis tentang pasien.
Batasan lain juga perlu dicatat. Selain tingkat recall yang masih 30 persen, makalah DeepMind menyebutkan ketidakpastian apakah model dapat memprediksi respons terhadap knockout gen, overekspresi gen, atau transisi kondisi sel yang dinamis. Representasi kondisi sel pada model ini didasarkan pada korelasi observasional, bukan mekanisme kausal, seperti dicatat ClawdBytes. Artinya, model dapat menunjukkan pola yang konsisten antara varian, jenis sel, dan ekspresi gen, tetapi pola tersebut belum tentu menjelaskan mekanisme sebab-akibat yang sebenarnya. Pengujian eksperimental tetap diperlukan sebelum sebuah prediksi dapat dianggap sebagai penjelasan biologis.
## Mengapa pengumuman ini penting bagi riset genomik
Untuk memahami signifikansi AlphaGenome 2, ada baiknya melihat konteks riset genomik dalam beberapa tahun terakhir. Studi asosiasi genom telah menemukan ribuan wilayah DNA yang terkait dengan penyakit, tetapi sebagian besar wilayah tersebut berada di daerah non-pengkode, dan menentukan varian penyebab yang sebenarnya masih menjadi hambatan utama. Setiap lompatan dalam kemampuan memprioritaskan varian berarti mempercepat seluruh rantai riset: dari penemuan asosiasi, ke hipotesis mekanisme, ke eksperimen laboratorium, dan akhirnya ke target terapi.
AlphaGenome 2 menyerang hambatan itu dari arah yang baru, yaitu spesifisitas sel. Alih-alih bertanya "apakah varian ini berpengaruh", model ini bertanya "pada sel apa varian ini berpengaruh". Pergeseran pertanyaan ini sejalan dengan arah riset biologis yang lebih luas, di mana atlas sel tunggal telah menunjukkan bahwa penyakit sering kali berakar pada jenis sel yang sangat spesifik. Jika sebuah varian hanya mengubah ekspresi gen pada satu subtipe sel imun, misalnya, maka memahami penyakit tersebut membutuhkan alat yang bisa melihat pada tingkat sel itu — dan itulah yang dijanjikan AlphaGenome 2.
Ada pula implikasi bagi pengembangan obat. Target terapi yang dipilih berdasarkan bukti genetik yang kuat memiliki peluang keberhasilan yang lebih tinggi dalam uji klinis dibandingkan target yang dipilih tanpa bukti semacam itu. Dengan menggandakan recall varian kausal dan menambahkan informasi arah efek serta jenis sel, AlphaGenome 2 dapat membantu perusahaan farmasi dan laboratorium akademik memprioritaskan target dengan lebih tajam. Namun sekali lagi, ini adalah potensi jangka panjang, bukan hasil yang sudah terbukti. Jalan dari prediksi model ke obat yang disetujui masih panjang dan melewati banyak tahap validasi.
## Apa yang masih harus dibuktikan
Pengumuman peluncuran selalu menampilkan model dalam cahaya terbaiknya, dan AlphaGenome 2 tidak terkecuali. Beberapa hal yang masih harus dibuktikan dalam beberapa bulan ke depan antara lain: apakah angka TenK10K dapat direplikasi oleh laboratorium independen pada dataset mereka sendiri, apakah peningkatan recall juga terjadi pada jenis penyakit di luar penyakit imun, seberapa andal adaptasi terhadap data sel tunggal peneliti sendiri pada berbagai kualitas data, dan seberapa besar biaya komputasi yang dibutuhkan untuk menjalankan model pada ratusan kondisi secara praktis.
Komunitas riset juga akan menguji batasan-batasan yang sudah diakui DeepMind, seperti kinerja pada wilayah kromatin yang sulit diakses dan pada kondisi sel sementara. Selain itu, pertanyaan tentang apakah model dapat dipakai untuk memprediksi efek intervensi seperti knockout atau overekspresi masih terbuka, seperti dicatat dalam makalahnya. Jika jawabannya ternyata terbatas, maka AlphaGenome 2 akan tetap menjadi alat prioritasi yang kuat, tetapi bukan simulator biologi yang lengkap.
Satu hal yang patut diapresiasi dari pengumuman ini adalah transparansi DeepMind tentang keterbatasan modelnya. Makalah teknisnya secara eksplisit memperingatkan bahwa model hanya memulihkan sebagian kecil varian kausal, dan pengumuman resminya menegaskan bahwa model ini bukan alat klinis.
## Kesimpulan
AlphaGenome 2 adalah langkah maju yang nyata dalam pemodelan genom berbasis AI, bukan karena ia menyelesaikan masalah varian kausal, tetapi karena ia mengubah pertanyaan yang bisa diajukan. Dengan mengondisikan prediksi pada jenis dan kondisi sel tertentu, dilatih pada lebih dari 100 juta profil sel individu, dan menunjukkan recall hampir dua kali lipat pada tolok ukur TenK10K — 30 persen berbanding 16 persen pada presisi 90 persen — model ini memberi peneliti alat yang lebih tajam untuk mempersempit pencarian varian penyebab penyakit. Contoh IBD dari Francis Crick Institute, di mana hasil 1,5 tahun direplikasi dalam 30 menit, memberi gambaran tentang apa yang mungkin terjadi ketika alat semacam ini dipakai dengan baik.
Namun gambaran yang seimbang harus menyertakan sisi lainnya: 70 persen varian kausal masih terlewat, semua angka kinerja sejauh ini berasal dari DeepMind sendiri, prediksi melemah pada wilayah kromatin yang sulit diakses, dan model ini belum divalidasi untuk penggunaan klinis apa pun. AlphaGenome 2 adalah alat riset yang kuat dengan batasan yang jelas, dan nilai sebenarnya akan ditentukan oleh bagaimana komunitas riset menggunakannya dalam beberapa bulan dan tahun ke depan. Bagi siapa pun yang mengikuti perkembangan AI di bidang genomik, inilah salah satu rilis yang paling layak diikuti kelanjutannya — bukan karena klaimnya yang besar, melainkan karena pergeseran cara berpikir yang dibawanya: dari genom yang dibaca secara rata-rata, menuju genom yang dibaca sel demi sel.
Catatan transparansi: Artikel ini disusun dari pemberitaan sekunder yang dapat dilacak, terutama pengumuman resmi Google DeepMind pada 11 November 2026 sebagaimana dilaporkan oleh Unite.AI, AI Weekly, CellCog, ClawdBytes, dan Dev.to, beserta makalah teknis yang dirujuk dalam laporan-laporan tersebut. Semua angka kinerja, termasuk hasil TenK10K dan contoh IBD dari Francis Crick Institute, adalah angka yang dilaporkan DeepMind dan media peliputnya, bukan hasil pengukuran penulis. Penulis tidak menjalankan AlphaGenome 2, tidak mengakses AlphaGenome API, dan tidak melakukan pengujian langsung terhadap model ini. Jika ada pembaruan, koreksi, atau hasil replikasi independen setelah artikel ini ditulis, informasi tersebut belum tercakup di sini.