AlphaGenome

1. Introdução e contextualização

O genoma constitui o suporte informacional fundamental de qualquer organismo vivo, codificando, através da sequência de nucleótidos do ADN, as instruções que regulam praticamente todos os processos celulares — desde a diferenciação tecidual até à resposta a estímulos ambientais e à predisposição para a doença. A decifração do modo como esta informação é lida, processada e regulada ao nível molecular permanece, contudo, um dos problemas centrais e ainda amplamente não resolvidos da biologia contemporânea. O desafio é particularmente acentuado nas chamadas regiões não codificantes do genoma, que representam cerca de 98% da sequência do ADN humano e que, apesar de não codificarem diretamente proteínas, desempenham um papel crítico na orquestração da expressão génica, albergando simultaneamente a maioria das variantes genéticas associadas a doenças e traços complexos.

Foi neste contexto que, em 25 de junho de 2025, a Google DeepMind apresentou o AlphaGenome, um modelo de aprendizagem profunda concebido para prever, de forma unificada e a partir da sequência de ADN, um vasto conjunto de propriedades moleculares associadas à regulação génica, bem como o impacto funcional de variantes pontuais sobre essas propriedades. O trabalho subjacente foi submetido a revisão por pares e publicado na revista Nature em janeiro de 2026, sob o título "Advancing regulatory variant effect prediction with AlphaGenome" (Avsec, Latysheva et al., 2026), tendo tido origem numa pré-publicação em bioRxiv de junho de 2025. Desde então, o ecossistema em torno do modelo expandiu-se de forma substancial: em setembro de 2026 a DeepMind lançou o AlphaGenome Atlas, um catálogo pré-computado de previsões para os 9 mil milhões de variantes de nucleótido único possíveis no genoma humano, acompanhado de uma pontuação de síntese, o AVI (AlphaGenome Variant Impact) Score, que combina o AlphaGenome com o AlphaMissense e outras fontes de evidência num único número. Este texto revê os fundamentos teóricos e arquiteturais do modelo, a sua superfície funcional enquanto ferramenta (entradas, saídas, parâmetros de pontuação), o seu desempenho comparativo face ao conjunto alargado de ferramentas com que compete ou se articula, as avaliações independentes publicadas desde o seu lançamento, e um guia prático de instalação, requisitos computacionais e interpretação de resultados — com o objetivo de que um geneticista clínico ou um investigador em genómica possa decidir, com informação suficiente, quando e como o AlphaGenome pode contribuir para o seu trabalho.

2. O que é o AlphaGenome: definição, objetivo e a pergunta biológica a que responde

O AlphaGenome é descrito pelos seus autores como um modelo de sequência de ADN unificador, cuja finalidade é decifrar o "código regulador" contido na sequência genómica. Ao contrário de abordagens anteriores, tipicamente especializadas numa única tarefa ou modalidade, o AlphaGenome foi concebido para realizar previsões multimodais numa única passagem, cobrindo simultaneamente a expressão génica, os padrões de splicing (processamento do ARN mensageiro), características da cromatina e mapas de contacto tridimensional entre regiões do ADN.

Funcionalmente, o modelo recebe como entrada uma sequência de ADN — até 1 milhão de pares de bases — e devolve milhares de propriedades moleculares que caracterizam a atividade reguladora dessa sequência em centenas de tipos celulares e tecidos humanos e de murganho. Adicionalmente, o modelo pontua o efeito de uma variante genética comparando as previsões geradas para a sequência mutada com as da sequência de referência, produzindo uma medida quantitativa do seu impacto funcional previsível.

É importante situar com precisão a pergunta a que o AlphaGenome responde, porque é frequentemente confundida com perguntas adjacentes que o modelo não responde. O AlphaGenome não diz se uma variante é patogénica; não classifica variantes segundo os critérios ACMG/AMP; não prevê diretamente um traço complexo ou uma doença; e não foi validado para previsão de genoma pessoal (isto é, para o efeito combinado de todas as variantes de um indivíduo). O que o modelo responde é uma pergunta mais restrita, mas ainda assim central: dada esta substituição de nucleótido nesta posição do genoma de referência, qual o efeito molecular previsto — sobre a expressão génica, o splicing, a acessibilidade da cromatina, a ligação de fatores de transcrição ou os mapas de contacto — numa dada linha celular ou tecido? É uma resposta mecanística e local, não uma resposta clínica nem populacional, e a distinção entre estes dois planos atravessa todo o resto deste texto.

3. Arquitetura do modelo

Do ponto de vista arquitetural, o AlphaGenome combina, numa arquitetura descrita pelos autores como inspirada em U-Net, cinco componentes dispostos sequencialmente: um codificador de sequência, uma torre de transformadores, blocos de interação por pares, um descodificador de sequência e um conjunto de cabeças de saída específicas por tarefa. O modelo tem aproximadamente 450 milhões de parâmetros treináveis e está implementado em JAX/Haiku.

O codificador reduz progressivamente a resolução de 2²⁰ bases até 128 pares de bases ao longo de sete etapas sucessivas (1, 2, 4, 8, 16, 32 e 64 pares de bases), cada uma composta por um bloco convolucional seguido de max-pooling, alargando o número de canais à medida que avança. A representação de cada etapa é preservada, porque será necessária ao descodificador mais tarde — este é o mecanismo que permite ao modelo não sacrificar detalhe fino em favor de contexto longo.

A torre de transformadores opera à resolução de 128 pares de bases sobre milhares de posições, usando atenção multi-query, embeddings posicionais rotativos e um bloqueio (clipping) suave dos logits de atenção — é este componente que permite relacionar, por exemplo, um promotor com um enhancer situado centenas de milhares de bases mais adiante. Entrelaçados nesta torre encontram-se os blocos de interação por pares, que mantêm uma representação bidimensional a uma resolução de 2048 pares de bases; servem um duplo propósito — são a base das previsões de mapas de contacto cromossómico e são também projetados de volta para a atenção unidimensional como um viés, técnica que os autores descrevem como análoga à utilizada no AlphaFold2.

O descodificador espelha o codificador, subindo de 128 pares de bases de volta a 1 par de base ao longo de sete etapas de sobreamostragem, cada uma recebendo uma ligação de salto (skip connection) da etapa correspondente do codificador. É este mecanismo — e não uma reconstrução a partir da representação grosseira — que torna economicamente viável a saída à resolução de um único par de bases.

Por fim, as cabeças de saída são maioritariamente transformações lineares das representações de sequência, com uma exceção relevante: a previsão da contagem de junções de splicing utiliza um mecanismo próprio, que capta explicitamente interações entre as representações unidimensionais dos pares dador–aceitador de splicing — o que torna esta saída qualitativamente distinta das restantes, um ponto retomado na secção 6.

Um megabase de sequência à resolução de par de base é demasiado para um único acelerador; segundo os autores, o treino distribui a sequência em fatias por várias TPUs interligadas (sequence sharding), cada uma processando um segmento com contexto adicional sobreposto nas extremidades para que as convoluções junto às fronteiras vejam contexto real, sobreposição essa que é depois recortada após o codificador.

3.1. Um treino em duas fases: pré-treino e destilação

Um aspeto frequentemente subestimado é que o AlphaGenome não é, em rigor, um único modelo — é dois. O treino decorre em duas fases. Na primeira, o pré-treino, são treinados modelos específicos por partição (fold), segundo um esquema de validação cruzada em que três quartos do genoma de referência são usados para treino e o quarto restante para validação e teste; a divisão é feita por intervalo genómico, não por amostra, pelo que cada modelo de partição nunca viu o quarto do genoma em que é avaliado. Paralelamente, é treinado um modelo sobre a totalidade do genoma de referência, que serve de professor na segunda fase. Na segunda fase, a destilação, um único modelo estudante — partilhando a arquitetura pré-treinada — é treinado para reproduzir a saída de um conjunto (ensemble) de vários modelos professores, usando sequências de entrada com perturbações aleatórias introduzidas deliberadamente.

Esta escolha de desenho tem três justificações explícitas na literatura. Primeiro, custo: o modelo estudante destilado é significativamente mais rápido do que um conjunto de vários modelos independentes, tornando-se viável para pontuação de variantes em larga escala — a pontuação de uma variante sobre a totalidade das propriedades demora cerca de um segundo numa GPU NVIDIA H100. Segundo, a destilação não é um compromisso: um estudante destilado a partir de várias dezenas de professores obtém desempenho competitivo com, e por vezes superior a, a média simples desse conjunto de professores. Terceiro — e o mais relevante para a pontuação de variantes — durante a destilação a sequência de entrada é ativamente perturbada (substituições, pequenas inserções, deleções e inversões), pelo que o modelo estudante aprende explicitamente como os seus professores respondem a uma alteração na sequência, que é exactamente a pergunta que uma pontuação de variante coloca. Os benchmarks de previsão de tracks genómicos (secção 8) usam os modelos de partição pré-treinados; os benchmarks de efeito de variantes, e a própria API pública, usam o modelo estudante destilado.

Segundo o comunicado oficial da DeepMind, treinar um único modelo AlphaGenome sem destilação demorou cerca de quatro horas e exigiu aproximadamente metade do orçamento computacional necessário para treinar o Enformer, o modelo antecessor. A fase de destilação em si é substancialmente mais dispendiosa, decorrendo ao longo de vários dias sobre um número elevado de aceleradores — o preço pago antecipadamente para que a inferência subsequente seja rápida e barata.

4. Dados de treino

O treino apoiou-se em dados experimentais de acesso público, provenientes de grandes consórcios internacionais de genómica funcional: ENCODE (Encyclopedia of DNA Elements), GTEx (Genotype-Tissue Expression), 4D Nucleome e FANTOM5. Em traços largos, o GTEx fornece a expressão de ARN resolvida por tecido e as observáveis de splicing; o FANTOM5, os dados de CAGE (mapeamento de início de transcrição); o ENCODE, os dados de PRO-cap, DNase, ATAC e as duas famílias de ChIP (fatores de transcrição e marcas de histonas); o 4D Nucleome, os mapas de contacto cromossómico; e o GENCODE fornece a anotação de transcritos subjacente às máscaras génicas usadas por vários dos algoritmos de pontuação. Estes consórcios cobrem, ao todo, centenas de tipos celulares e tecidos humanos e de murganho — a base empírica sobre a qual o modelo aprendeu a associar sequência de ADN a atividade reguladora.

5. Inputs e outputs: a superfície funcional do modelo

Para um utilizador clínico ou de investigação, o valor prático do AlphaGenome depende menos da arquitetura interna do que da sua superfície funcional — o que se pode pedir ao modelo e o que ele devolve. Esta secção descreve essa superfície tal como exposta pela API pública.

Comprimentos de entrada. O comprimento da sequência de entrada não é um parâmetro livre: apenas quatro comprimentos são aceites — 16 384, 131 072, 524 288 e 1 048 576 pares de bases (16 kb, 128 kb, 512 kb e 1 Mb, respetivamente). Um pedido com um comprimento diferente é ajustado para cima, para o valor legal seguinte, nunca para baixo — a lógica sendo que arredondar por defeito estreitaria silenciosamente a janela de contexto pedida.

Organismos e versões do modelo. O modelo cobre dois organismos, Homo sapiens (genoma de referência GRCh38.p13/hg38) e Mus musculus (mm10/GRCm38.p6), com anotação de transcritos GENCODE (release 46 humana, M23 murina). Estão disponíveis o modelo destilado de todas as partições (ALL_FOLDS, o usado por omissão pela API) e os quatro modelos individuais de partição (FOLD_0 a FOLD_3), estes últimos relevantes sobretudo para investigação metodológica e não para uso corrente.

Modalidades de saída. O modelo produz previsões em onze modalidades organizadas em quatro grandes famílias: expressão génica (RNA-seq, CAGE e PRO-cap), padrões detalhados de splicing (locais de splicing, uso de locais de splicing e junções de splicing), estado da cromatina (DNase, ATAC-seq, modificações de histonas e ligação de fatores de transcrição) e mapas de contacto cromossómico. Segundo o artigo publicado, o modelo prevê simultaneamente 5930 tracks genómicos humanos e 1128 murinos ao longo destas modalidades — o número de tracks efetivamente disponibilizados através da API pode variar ligeiramente ao longo do tempo, à medida que o catálogo de saída é atualizado, pelo que a lista definitiva deve ser sempre consultada em tempo real através da função de metadados da própria API em vez de assumida a partir de um número fixo.

As duas chamadas principais. A API expõe, em essência, duas famílias de chamadas com propósitos distintos. A primeira, predict_variant (e a sua irmã sem variante, predict_sequence), devolve tracks genómicos completos — arrays de referência e de alelo alternativo ao longo de todo o intervalo pedido, à resolução de par de base — sendo adequada para inspecionar visualmente o efeito previsto de uma variante sobre uma região. A segunda família, score_variant e a sua forma em lote score_variants, devolve pontuações escalares por variante — um número por combinação de algoritmo de pontuação e track (e, nos algoritmos ancorados a genes, por gene) — sendo a chamada adequada para construir uma tabela com uma linha por variante, o cenário mais comum em investigação e triagem clínica. Um único pedido de pontuação em lote pode cobrir até vinte algoritmos de pontuação em simultâneo.

6. Como uma variante é pontuada

Uma pontuação de variante não é um modelo à parte: é uma redução aritmética de duas passagens do modelo. Compreender essa redução é essencial para interpretar corretamente o número devolvido.

Os cinco passos. Primeiro, o modelo faz duas passagens sobre o mesmo intervalo — uma com a sequência de referência, outra com a sequência alternativa —, com a variante centrada em ambas. Segundo, no caso de inserções ou deleções, que deslocam todas as bases a jusante, o perfil do alelo alternativo é realinhado para o espaço de coordenadas da referência antes de os dois serem comparados — abordagem inspirada na usada pelo SpliceAI. Terceiro, aplica-se uma máscara espacial, que define que parte do intervalo é relevante para a pergunta: uma janela de largura fixa centrada na variante, ou uma máscara desenhada a partir da anotação de um gene (os seus exões, o seu corpo, ou o seu local de início de transcrição). Quarto, os valores dentro da máscara são agregados ao longo do eixo da sequência — soma ou média, opcionalmente com uma transformação logarítmica ou norma L2 — e subtrai-se o valor da referência ao valor do alelo alternativo, produzindo um único valor escalar por track. Quinto, e apenas fora da API — a agregação entre tracks e modalidades, quando desejada, fica a cargo de quem consome os dados, precisamente porque nenhuma agregação única é apropriada para todos os casos de uso, como se discute na secção seguinte.

Famílias de algoritmos de pontuação. A API disponibiliza sete famílias de algoritmos (scorers), cada uma associada a uma máscara e a um cálculo próprios:

Um conjunto curado de dezanove destes algoritmos (dezoito para murganho, por o algoritmo de poliadenilação ser exclusivo do genoma humano) é disponibilizado como configuração recomendada pela própria API, cobrindo doze combinações que medem o efeito direto da variante e sete que medem a atividade absoluta da região.

Tipos de agregação. Para os algoritmos baseados em janela centrada e em log fold change de gene, é possível escolher entre oito formas de agregação, que não são intercambiáveis:

A distinção entre a família DIFF_* — que mede o efeito da variante, isto é, a diferença entre alelo alternativo e referência — e a família ACTIVE_* — que mede a atividade absoluta da região, sem nunca subtrair nada — é a fonte mais comum de má interpretação dos resultados brutos. Um valor ACTIVE_SUM elevado não diz que a variante tem um efeito grande; diz apenas que a região é transcricionalmente ou epigeneticamente ativa nesse tecido, informação de contexto importante mas categoricamente distinta de um efeito.

7. O quantile_score e a interpretação correta dos resultados

Este é, provavelmente, o ponto técnico mais importante para quem pretende usar o AlphaGenome de forma criteriosa, porque a comparação entre diferentes tracks e diferentes algoritmos de pontuação não é direta a partir dos valores brutos.

O raw_score devolvido por cada algoritmo está numa escala própria — o algoritmo de uso de local de splicing devolve valores entre 0 e 1, enquanto o algoritmo de expressão génica devolve valores sem limite superior ou inferior. Para tornar os resultados comparáveis entre tracks e entre modalidades, a documentação oficial descreve uma abordagem de quantis empíricos: para cada combinação de algoritmo e track, é estimada uma distribuição de referência a partir das pontuações obtidas para variantes comuns (frequência alélica superior a 1% em qualquer população do gnomAD v3, cerca de 300 mil variantes). Qualquer pontuação bruta é então convertida num quantile_score, que representa a sua posição relativa nessa distribuição de referência — uma variante com um quantil de 0,99 tem um efeito equivalente ao percentil 99 das variantes comuns nessa mesma track e nesse mesmo algoritmo.

Três consequências práticas decorrem diretamente desta definição e devem orientar qualquer análise:

O quantil não é uma probabilidade de patogenicidade. É uma medida de quão atípico é o efeito previsto de uma variante, quando comparado com o efeito típico de variantes comuns na população — não uma calibração contra doença, nem contra classificação clínica. Um quantil extremo diz "este efeito molecular é raro entre variantes comuns"; não diz "esta variante causa doença".

O quantil, e não o valor bruto, é a grandeza comparável entre algoritmos. Uma diferença logarítmica de um track de histona e uma variação de junção de splicing não são a mesma espécie de número; comparar os seus valores brutos diretamente — por exemplo tomando o máximo entre modalidades — não tem significado. O quantil, por construção, é adimensional e comparável nesse sentido; para algoritmos assinados, os quantis de [0,1] são ainda reescalados linearmente para [−1,1], de forma a que valores negativos e positivos extremos sejam tratados com igual peso — pelo que a comparação correta é sempre sobre o valor absoluto do quantil, nunca sobre o valor bruto assinado.

O quantil satura. A documentação oficial declara explicitamente que o valor máximo (ou mínimo) do quantil nunca excede 0,999990 (ou −0,999990), consequência direta do número finito de variantes usadas para o calcular. Este limite tem uma implicação metodológica relevante: quando uma única variante é avaliada contra milhares de tracks em simultâneo (o que acontece naturalmente quando se usa o conjunto recomendado de dezanove algoritmos sobre um intervalo que sobrepõe vários genes), está a realizar-se, na prática, um número elevado de comparações estatísticas simultâneas. Nesse regime, o valor máximo do quantil entre todas essas comparações tende a aproximar-se de 1 para praticamente qualquer variante, por um efeito estrutural de comparações múltiplas e não porque a variante seja excecional — um cuidado análogo ao que se toma em qualquer análise com correção para testes múltiplos. Por esta razão, uma estatística de sumário mais robusta — por exemplo, uma medida central (como a mediana) do quantil absoluto ao longo do conjunto de medições — costuma discriminar melhor entre variantes do que o valor máximo isolado, e é uma prática recomendável para quem constrói fluxos de trabalho de triagem em torno do modelo, independentemente do limiar exato escolhido para qualquer aplicação concreta.

8. Desempenho e avaliação comparativa oficial

O AlphaGenome foi avaliado num conjunto alargado de tarefas de referência na área da genómica preditiva, organizadas em dois grupos distintos que usam, cada um, um dos dois modelos descritos na secção 3.1.

O primeiro grupo, de previsão de tracks genómicos sobre sequências individuais (24 avaliações, cobrindo as onze modalidades previstas), usa os modelos de partição pré-treinados, avaliados sobre intervalos genómicos nunca vistos durante o seu próprio treino; nestas avaliações, o AlphaGenome superou o melhor modelo externo especializado disponível em 22 das 24 avaliações. O segundo grupo, de previsão do efeito regulador de variantes (26 avaliações, cobrindo expressão génica, splicing, poliadenilação, ligação enhancer–gene, acessibilidade de ADN e ligação de fatores de transcrição), usa o modelo estudante destilado; nestas avaliações, o artigo publicado na Nature reporta que o AlphaGenome igualou ou superou o melhor modelo externo disponível em 25 das 26 avaliações — valor que revê ligeiramente para cima a cifra de 24 de 26 divulgada na pré-publicação e no comunicado original de junho de 2025, sendo a cifra de 22 de 24 do primeiro grupo inalterada entre as duas versões. Vale a pena reter esta distinção de datas: qualquer fonte anterior a janeiro de 2026 reporta a cifra pré-publicada; a cifra definitiva, com revisão por pares, é a de 25 em 26.

Os comparadores usados não foram modelos de referência arbitrários, mas os especialistas do estado da arte em cada tarefa: Enformer e Borzoi para tracks multimodais; SpliceAI, Pangolin, DeltaSplice e AbSplice para splicing; ChromBPNet para acessibilidade e ligação de fatores de transcrição; ProCapNet para início de transcrição; Orca para mapas de contacto; ENCODE-rE2G para ligação enhancer–gene; e CADD como referência de patogenicidade de amplo espectro. Segundo o comunicado da DeepMind, o AlphaGenome foi o único modelo capaz de prever conjuntamente a totalidade das modalidades avaliadas, o que sustenta o argumento da generalidade do modelo face a alternativas mais especializadas mas de âmbito mais restrito. Entre as margens nomeadas destacam-se uma melhoria de 25,5% sobre o Borzoi na previsão do sentido de eQTLs, 8,0% sobre o ChromBPNet em QTLs de acessibilidade, 14,7% na variação logarítmica de expressão específica de tipo celular, e 6,3% sobre o Orca na correlação de Pearson dos mapas de contacto.

O domínio do splicing merece nota à parte, por ser aquele em que mais ferramentas concorrentes já estavam estabelecidas antes do AlphaGenome. Em seis das sete avaliações de splicing, o AlphaGenome atingiu o estado da arte; na sétima — capacidade de prever se variantes raras perturbam o splicing, avaliada com dados de um ensaio de minigene de splicing multiplexado em larga escala — foi superado pelo Pangolin, ainda que tenha superado o SpliceAI e o DeltaSplice na mesma avaliação. As margens de vantagem sobre o Pangolin nas restantes avaliações de splicing são, geralmente, modestas (da ordem de 0,02 pontos de área sob a curva de precisão-recall), o que é relevante para quem decide se deve substituir ou complementar ferramentas de splicing já em uso: a evidência favorece a complementaridade, não a substituição automática.

9. Comparação detalhada com outras ferramentas e modelos

Esta secção situa o AlphaGenome dentro do panorama mais amplo de ferramentas de predição genómica, distinguindo entre modelos com que compete diretamente na mesma tarefa e modelos com que é complementar por operarem sobre porções distintas do genoma.

9.1. AlphaMissense — complementar, não concorrente

O AlphaMissense, modelo anterior da DeepMind, classifica o efeito de variantes de sentido incorreto (missense) situadas nas regiões codificantes de proteínas — cerca de 2% do genoma humano. O AlphaGenome não compete com o AlphaMissense; opera sobre o espaço complementar, os 98% não codificantes, e os dois modelos foram desenhados desde o início para se articularem. Essa articulação tornou-se explícita e operacional em setembro de 2026 com o lançamento do AVI Score (secção 11), que combina as previsões dos dois modelos num único número de síntese, coerente com regiões codificantes e não codificantes.

9.2. Enformer — o antecessor direto

O Enformer, também da DeepMind, foi o modelo genómico anterior sobre o qual o AlphaGenome se constrói diretamente. O Enformer aceitava um contexto de sequência de cerca de 200 kb mas produzia saída a uma resolução de 128 pares de bases — suficiente para detetar um enhancer distal, mas insuficiente para resolver um local de splicing individual. O AlphaGenome resolve este compromisso estrutural mantendo simultaneamente o contexto longo e a resolução de par de base, sem aumento proporcional do custo de treino, segundo o relatado pelos próprios autores.

9.3. Borzoi (Calico) — o par mais próximo em ambição

O Borzoi, desenvolvido pela Calico, é provavelmente o modelo mais próximo do AlphaGenome em ambição e desenho: um modelo de expressão génica de contexto longo (até cerca de 524 kb) que serve também de base ao algoritmo de poliadenilação usado pelo AlphaGenome. Nos benchmarks oficiais o AlphaGenome supera o Borzoi na maioria das comparações diretas, mas a distância não é uniforme: num benchmark independente de perturbação CRISPRi publicado pelo Cold Spring Harbor Laboratory em junho de 2026 e atualizado em agosto do mesmo ano (Murphy e Koo), o AlphaGenome obteve a correlação mais elevada em ambos os testes usados (Fulco et al. e Gasperini et al.), mas ficou virtualmente empatado com o Borzoi no teste de Fulco — uma indicação de que, para a previsão da magnitude de efeitos de enhancers distais, a vantagem do AlphaGenome, embora real, é mais estreita do que os benchmarks de variantes pontuais sugerem, e que ambos os modelos subestimam sistematicamente a dimensão real dos efeitos medidos, com o desvio a aumentar para elementos reguladores mais distantes. Este benchmark foi realizado em células K562, bem representadas no treino de ambos os modelos, pelo que não estabelece desempenho noutros tipos celulares nem avalia o Atlas ou o AVI Score, apenas o modelo AlphaGenome de base.

9.4. SpliceAI, Pangolin, DeltaSplice e AbSplice — as ferramentas de splicing estabelecidas

Estas quatro ferramentas foram, até ao AlphaGenome, o padrão de facto para a previsão do efeito de variantes sobre o splicing, e continuam a ser amplamente usadas em pipelines clínicos. O SpliceAI, em particular, prevê a probabilidade de uma posição atuar como local dador ou aceitador de splicing a partir da sequência; o Pangolin e o DeltaSplice seguem uma lógica semelhante com refinamentos próprios; o AbSplice combina previsões de splicing com contexto tecidual para estimar aberrância. Todas estas ferramentas respondem, essencialmente, à mesma pergunta — este local de splicing fica mais ou menos forte? — e o AlphaGenome iguala ou supera-as na generalidade das avaliações reportadas, com a exceção pontual do Pangolin já referida.

A diferença qualitativa mais relevante não está, contudo, no desempenho relativo nessa pergunta partilhada, mas numa pergunta nova que nenhuma destas ferramentas responde: o algoritmo de junções de splicing do AlphaGenome modela explicitamente a localização e o nível de expressão previsto de junções específicas — não apenas se um local dador ou aceitador enfraquece, mas se um exão inteiro é ignorado (exon skipping) em favor de outro, com contagens de leitura previstas por tecido. Um algoritmo de local de splicing diz "este dador enfraquece"; um algoritmo de junção diz "esta junção perde-se e aquela outra surge" — uma diferença que os próprios autores do artigo original identificam como a inovação mais genuinamente nova do modelo, e que os coloca fora do espaço de comparação direta com as ferramentas anteriores nesta dimensão específica.

Numa perspetiva prática para um laboratório que já usa SpliceAI ou Pangolin num pipeline de anotação clínica, a evidência disponível favorece a adição do AlphaGenome como uma terceira linha de evidência independente — sobretudo para o caso em que as ferramentas estabelecidas são silenciosas (não preveem qualquer efeito) e o AlphaGenome não — em vez da sua substituição, dado que nenhuma das quatro ferramentas está sistematicamente dominada em todas as categorias de variantes de splicing avaliadas.

9.5. ChromBPNet, ProCapNet e Orca — especialistas de modalidade única

Estas três ferramentas exemplificam o padrão geral: cada uma é o melhor modelo especializado disponível para a sua modalidade única (ChromBPNet para acessibilidade de cromatina e ligação de fatores de transcrição a partir de dados de base-resolução; ProCapNet para início de transcrição; Orca para mapas de contacto tridimensional), e o AlphaGenome iguala ou supera cada uma delas na sua própria tarefa, sendo simultaneamente o único modelo capaz de as prever todas em conjunto. A vantagem do AlphaGenome sobre estes especialistas não reside apenas na exatidão pontual, mas na eliminação da necessidade de manter e correr múltiplos pipelines separados para obter uma visão integrada do efeito regulador de uma variante.

9.6. CADD, REVEL e os preditores de patogenicidade de amplo espectro

O CADD (Combined Annotation Dependent Depletion) continua a ser um comparador relevante precisamente porque não compete no mesmo terreno técnico: é um preditor de amplo espectro que se apoia fortemente em conservação evolutiva, uma fonte de informação que capta implicitamente a essencialidade e a função de um gene — fatores que um modelo de sequência-para-função como o AlphaGenome, focado por desenho no impacto regulador, não capta diretamente. Os próprios autores do artigo do AlphaGenome reconhecem que preditores de amplo espectro como o CADD permanecem altamente competitivos por esta razão. Esta é talvez a distinção mais importante para um utilizador clínico reter: o AlphaGenome não substitui o CADD, o REVEL, ou outros preditores baseados em conservação e características gerais de sequência — responde a uma pergunta mecanística diferente (o quê, molecularmente, esta variante altera) e não à pergunta de patogenicidade global que estas ferramentas endereçam mais diretamente.

9.7. Evo 2 — o par mais próximo em escala e ambição fora da DeepMind

O Evo 2, desenvolvido pelo Arc Institute, é o modelo de sequência genómica de maior escala publicado até à data (7 e 40 mil milhões de parâmetros, treinado sobre 9,3 biliões de pares de bases de ADN abrangendo todos os domínios da vida, com uma janela de contexto de um milhão de tokens à resolução de nucleótido único, usando uma arquitetura híbrida convolução-atenção designada StripedHyena 2). É o comparador mais direto ao AlphaGenome fora da própria DeepMind, e a comparação entre os dois ilustra bem o princípio central desta secção: não existe um vencedor único, a classificação depende da tarefa. Para variantes não codificantes, incluindo variantes de sentido único e de splicing, o Evo 2 supera outros modelos avaliados de forma zero-shot (sem qualquer afinação específica para a tarefa) e alcançou um novo estado da arte para variantes não codificantes do gene BRCA1; para variantes codificantes de sentido incorreto, contudo, os modelos Evo 2 de 40 e 7 mil milhões de parâmetros classificaram-se apenas em quarto e quinto lugar, atrás do AlphaMissense, do ESM-1b e do GPN-MSA. O AlphaGenome, por seu turno, iguala ou supera o melhor modelo externo em 25 de 26 avaliações de efeito de variante reguladora, mas o seu foco mantém-se estritamente no não codificante e não estende à interpretação de variantes de sentido incorreto. Em síntese: para variantes não codificantes e de splicing, AlphaGenome e Evo 2 lideram a fronteira atual; para variantes codificantes, ambos cedem a ferramentas especializadas como o AlphaMissense.

9.8. Caduceus, HyenaDNA, DNABERT-2, GENA-LM e Nucleotide Transformer — a família de arquiteturas eficientes

Existe um segundo eixo de desenho no campo dos modelos genómicos, distinto do eixo "escala e contexto longo" que caracteriza o AlphaGenome e o Evo 2: o eixo da arquitetura eficiente, exemplificado por modelos substancialmente mais pequenos cujo desenho incorpora vieses indutivos alinhados com a estrutura biológica do ADN. O Caduceus, construído sobre módulos de espaço de estados (Mamba) em vez de atenção, incorpora explicitamente a simetria de cadeia complementar do ADN (equivariância à cadeia reversa-complementar) e, em tarefas de previsão de efeito de variante a longa distância, supera modelos dez vezes maiores que não incorporam essa simetria — um resultado que deveria moderar qualquer assunção de que maior escala implica necessariamente melhor desempenho. O HyenaDNA demonstrou que um contexto longo não exige necessariamente um modelo grande, atingindo o estado da arte em doze de dezoito conjuntos de dados de referência com um modelo com milhares de vezes menos parâmetros do que o comparador. O DNABERT-2, o GENA-LM e o Nucleotide Transformer ocupam um nicho semelhante de eficiência computacional e abertura de pesos, sendo relevantes sobretudo para laboratórios sem acesso a infraestrutura de grande escala ou que necessitem de auditar e imobilizar (fixar a versão de) um modelo para efeitos de reprodutibilidade — uma consideração que pesa a favor destas alternativas em contextos regulados, precisamente porque o AlphaGenome, ao contrário destes modelos, não é de pesos totalmente abertos por omissão (ver secção 15).

Um estudo de referência de 2026 (GENEB, avaliando representações de 40 modelos genómicos ao longo de 100 tarefas) sustenta este ponto de forma sistemática: a classificação relativa entre modelos genómicos reorganiza-se de forma acentuada consoante a categoria de tarefa avaliada, o ganho de escala é modesto e inconsistente, e o alinhamento arquitetural com a tarefa pesa frequentemente mais do que a contagem de parâmetros. A conclusão prática para quem escolhe entre estas ferramentas não é "qual é o melhor modelo genómico", mas "qual é o modelo mais adequado a esta categoria específica de tarefa" — e é essa lente, e não uma tabela de classificação única, que deve orientar a escolha.

9.9. Síntese comparativa

A tabela seguinte resume, de forma necessariamente simplificada, onde cada família de ferramentas tende a liderar, segundo a evidência publicada até à data:

10. Avaliações independentes e o que mudou desde o lançamento

Um modelo publicado há mais de um ano acumula, entretanto, um corpo de avaliação independente que a documentação oficial não inclui e que é indispensável para uma leitura equilibrada.

Um comentário de investigação publicado na Cell Research em abril de 2026 (Murphy, Nagai e Koo, do Cold Spring Harbor Laboratory) sintetiza bem este ponto. Os autores reconhecem os avanços de engenharia do AlphaGenome — a resolução de par de base mantida sobre um contexto de um milhão de bases, a expansão para mapas de contacto e splicing detalhado, a destilação de conjunto como estratégia de eficiência — mas assinalam limitações substantivas que a avaliação original não cobre de forma direta. Primeiro, o AlphaGenome foi avaliado sobretudo sobre substituições de nucleótido único; genomas reais contêm inserções, deleções, variantes estruturais e mutações somáticas acumuladas que interagem de formas mais complexas, e um trabalho independente citado pelos comentadores (Tu, Spiro, Chikina e Mostafavi, bioRxiv 2026) sugere que a capacidade do modelo para prever efeitos combinatórios ou de "genoma pessoal" sobre a expressão génica continua limitada — eco direto da limitação que os próprios autores do AlphaGenome já haviam assinalado. Segundo, modelos anteriores de sequência-para-função mostraram capacidade limitada para prever a magnitude de efeitos reguladores distais quando avaliados contra ensaios de perturbação CRISPRi em larga escala (Karollus, Mauermeier e Gagneur, 2023); o AlphaGenome incorpora modelação explícita de contexto de longo alcance e de interações de looping cromossómico que poderiam, em princípio, atenuar esta limitação, mas essa capacidade específica não foi diretamente avaliada no estudo original — o que o benchmark CRISPRi independente do Cold Spring Harbor Laboratory (secção 9.3) veio parcialmente colmatar, confirmando uma melhoria real mas incompleta. Terceiro, a atividade reguladora depende do contexto celular — níveis de fatores de transcrição, estados de cromatina, ambiente de sinalização — que um modelo como o AlphaGenome trata implicitamente como fixo; o modelo tenderá a generalizar melhor para tipos celulares próximos dos representados no treino, e pior para tipos celulares muito distintos, uma limitação que a afinação (fine-tuning) poderá atenuar mas cuja eficácia dependerá da semelhança dos programas reguladores subjacentes.

Estas três críticas independentes não contradizem os resultados publicados pela DeepMind — confirmam-nos nas condições em que foram medidos — mas delimitam com maior precisão o território fora dessas condições, que é precisamente o território em que decisões clínicas reais frequentemente se situam: pacientes com combinações de variantes, tecidos raramente representados em consórcios de referência, e efeitos reguladores distais cuja magnitude exata importa para a interpretação.

11. AlphaGenome Atlas e o AVI Score (setembro de 2026)

Em 8 de setembro de 2026, a Google DeepMind lançou o AlphaGenome Atlas, um recurso que transforma fundamentalmente o modo de acesso mais comum ao modelo. Em vez de exigir uma chamada à API por variante, o Atlas é um catálogo pré-computado — com cerca de 1 petabyte de dados, mais de trinta vezes o tamanho da base de dados AlphaFold — contendo previsões para os 9 mil milhões de variantes de nucleótido único possíveis no genoma humano de referência. O recurso está disponível gratuitamente para investigação não comercial através de um portal web dedicado e através da própria API do AlphaGenome, sendo também integrável como competência (skill) no Google Antigravity, a plataforma agenteica da DeepMind para fluxos de trabalho científicos; o acesso comercial ao Atlas está planeado através do Google Cloud, sem data de lançamento anunciada à data deste texto.

Acompanhando o Atlas, foi lançado o AVI (AlphaGenome Variant Impact) Score, uma pontuação única de síntese que combina as previsões do AlphaGenome com as do AlphaMissense, medidas de conservação evolutiva e características de região codificante — cobrindo, assim, tanto os 2% codificantes como os 98% não codificantes do genoma num único número ordenável. Esta é a exceção comercial explicitamente prevista nos termos de utilização do AlphaGenome (secção 15.3): ao contrário das restantes saídas do modelo, o AVI Score pode ser usado para fins comerciais. Cada pontuação AVI vem acompanhada de atribuições de característica (feature attributions), que decompõem o número final nas contribuições de cada categoria biológica subjacente — acessibilidade de cromatina, splicing, conservação, entre outras — permitindo não apenas ordenar variantes mas também compreender, para cada uma, qual o mecanismo molecular que mais pesa na sua pontuação. O Atlas inclui ainda uma coleção de mais de 2500 motivos de sequência de ADN recorrentes — as "palavras" do genoma — e as suas localizações, um recurso adicional para investigação sobre locais de ligação de fatores de transcrição.

A DeepMind reporta dois casos de aplicação de particular interesse clínico. No primeiro, investigadores do Broad Institute, em colaboração com o consórcio GREGoR, usaram o AVI Score para priorizar variantes num caso de doença rara não resolvida, identificando uma variante no gene DNM1 — associado a encefalopatia epilética — que criava um local de splicing incorreto, levando a uma extensão anómala da proteína numa isoforma específica do cérebro; ensaios laboratoriais subsequentes, conduzidos pelos próprios investigadores colaboradores (e não por um terceiro independente), reproduziram o splicing anómalo previsto e identificaram variantes próximas com efeitos semelhantes. No segundo, um investigador da Universidade de Exeter aplicou o Atlas a dados de genoma completo de mais de 54 mil participantes do UK Biobank, agrupando variantes raras não codificantes segundo o seu efeito molecular previsto; este método produziu um aumento de 22% na deteção de associações genéticas não codificantes independentes com níveis de proteínas circulantes — um ganho de poder estatístico de descoberta, não de exatidão diagnóstica — permitindo localizar variantes reguladoras específicas associadas, por exemplo, à proteína PLA2G7 (associada ao envelhecimento) e à EGLN1 (um sensor celular de oxigénio).

É importante manter presente, contudo, que estes dois casos são investigação conduzida com colaboradores do próprio projeto Atlas, coautores do manuscrito que o descreve, e não replicação por terceiros totalmente independentes; o estatuto de revisão por pares desse manuscrito, publicado em setembro de 2026, ainda não estava confirmado à data deste texto. Um benchmark independente (secção 9.3) avaliou o modelo AlphaGenome subjacente, mas não avaliou diretamente o Atlas nem o AVI Score. A própria DeepMind reafirma, na página do Atlas, que as suas previsões não substituem aconselhamento médico profissional e que o AlphaGenome não está validado nem aprovado para qualquer uso clínico — uma reafirmação que se soma, e não substitui, às restrições contratuais detalhadas na secção 15.3.

12. Aplicações previstas em investigação

A documentação oficial identifica três grandes eixos de aplicação para as capacidades preditivas do AlphaGenome.

Compreensão de doenças. Através de previsões mais precisas sobre disrupções genéticas, o modelo pode ajudar a localizar com maior exatidão as causas potenciais de doença e a interpretar o impacto funcional de variantes associadas a determinados traços, com potencial para identificar novos alvos terapêuticos. Os autores destacam a particular adequação do modelo ao estudo de variantes raras com efeitos potencialmente grandes, como as causadoras de doenças mendelianas raras — precisamente o cenário do caso DNM1 descrito na secção anterior.

Biologia sintética. As previsões do modelo podem orientar o desenho de sequências de ADN sintéticas com função reguladora específica — por exemplo, sequências que ativem um gene exclusivamente em células nervosas mas não em células musculares.

Investigação fundamental. O modelo pode contribuir para o mapeamento dos elementos funcionais cruciais do genoma e para a definição do seu papel, identificando as instruções de ADN mais essenciais para a regulação da função de um tipo celular específico — uso ilustrado pelo trabalho do Stowers Institute for Medical Research, que aplicou os motivos de sequência do Atlas para distinguir fatores de transcrição que apenas alteram a acessibilidade da cromatina daqueles que também ligam ou desligam genes.

12.1. Caso de estudo: leucemia linfoblástica aguda de células T (T-ALL)

Como demonstração das capacidades do modelo original, os autores aplicaram o AlphaGenome à investigação do mecanismo potencial subjacente a uma mutação associada ao cancro. Num estudo anterior envolvendo doentes com leucemia linfoblástica aguda de células T (T-ALL), tinham sido observadas mutações em localizações específicas do genoma. Usando o AlphaGenome, os investigadores previram que estas mutações ativariam um gene próximo, o TAL1, através da introdução de um motivo de ligação ao fator de transcrição MYB — uma previsão que reproduziu o mecanismo de doença já conhecido e demonstrou a capacidade do modelo para associar variantes não codificantes específicas a genes relacionados com doença.

13. Limitações reconhecidas

Os próprios autores identificam, de forma explícita, um conjunto de limitações do modelo, complementadas pelas avaliações independentes já discutidas.

À semelhança de outros modelos baseados em sequência, a captação precisa da influência de elementos reguladores muito distantes — situados a mais de 100 mil pares de bases — constitui ainda um desafio em aberto; o benchmark CRISPRi independente confirma esta limitação de forma quantitativa, mostrando que a subestimação da magnitude do efeito aumenta com a distância ao elemento regulador. Persiste como prioridade de trabalho futuro o aumento da capacidade do modelo para captar padrões específicos de tipo celular e tecido, uma vez que o modelo assume implicitamente um estado celular fixo e generaliza melhor para contextos próximos dos representados no treino. O modelo não foi concebido nem validado para previsão de genoma pessoal — o efeito combinado e não aditivo de múltiplas variantes coexistentes num mesmo indivíduo —, um desafio conhecido e partilhado por toda a classe de modelos de sequência-para-função, confirmado por avaliação independente posterior à publicação. O treino e a avaliação concentram-se fortemente em genes codificantes de proteínas, com cobertura ainda limitada de genes não codificantes como microARNs; a cobertura de espécies limita-se a humano e murganho, e as avaliações do estudo original são predominantemente centradas no humano. Ainda não foi realizado um treino com dados unphased, o que significa que o modelo processa uma única sequência de ADN de cada vez e não é inerentemente sensível ao estado diploide — não distingue alelos herdados por via materna de alelos herdados por via paterna, pelo que as suas previsões de efeito de variante não modelam inerentemente estados heterozigóticos, uma consideração relevante visto que a generalidade das variantes clinicamente relevantes é heterozigótica no genoma de um doente. Embora capaz de prever desfechos moleculares, o AlphaGenome não fornece o quadro completo sobre o modo como variações genéticas conduzem a traços complexos ou doenças, processos que frequentemente envolvem fatores biológicos mais amplos — desenvolvimentais e ambientais — que ultrapassam o âmbito direto do modelo.

Importa sublinhar, por fim, que as previsões do modelo se destinam exclusivamente a fins de investigação: não foram concebidas nem validadas para utilização clínica direta, e os termos de utilização da DeepMind proíbem explicitamente essa utilização (secção 15.3).

14. Onde há benefício, onde não há, e onde é indiferente

Sintetizando a evidência das secções anteriores numa orientação prática:

Onde o AlphaGenome traz benefício claro. Na priorização e interpretação mecanística de variantes não codificantes raras — promotoras, de enhancer, intrónicas profundas ou de UTR — em investigação de doença rara não resolvida, sobretudo quando combinado com evidência de conservação e classificação já existente. Na modelação de junções de splicing especificamente, onde não existe alternativa direta entre as ferramentas estabelecidas. Na exploração simultânea de múltiplas modalidades reguladoras a partir de uma única variante, quando o objetivo é gerar hipóteses mecanísticas para investigação subsequente e não uma classificação definitiva. Na triagem em larga escala através do Atlas e do AVI Score, quando o objetivo é reduzir milhares de candidatos a um número gerível para validação laboratorial.

Onde a evidência não sustenta uso não crítico. Na previsão do efeito combinado de múltiplas variantes coexistentes num mesmo genoma (o problema do "genoma pessoal"), onde a limitação é reconhecida tanto pelos autores como por avaliação independente. Na estimativa precisa da magnitude de efeitos de elementos reguladores muito distantes (mais de 100 mil pares de bases), onde a subestimação sistemática está documentada. Em qualquer utilização que substitua, em vez de complementar, a classificação ACMG/AMP ou o aconselhamento médico — uso explicitamente vedado pelos termos de utilização e não suportado pela validação disponível. Em tipos celulares ou tecidos pouco representados nos consórcios de treino, onde a generalização é menos fiável.

Onde é relativamente indiferente usar o AlphaGenome ou uma alternativa mais específica. Para a interpretação isolada de variantes de sentido incorreto em regiões codificantes, onde o AlphaMissense, o REVEL ou o ESM-1b permanecem a escolha mais direta e validada, sem vantagem clara em recorrer ao AlphaGenome nesse domínio específico. Para triagem preliminar de patogenicidade de amplo espectro assente em conservação evolutiva, onde o CADD continua competitivo e mais simples de integrar em pipelines já existentes.

15. Implementação prática

15.1. Vias de acesso ao modelo

Existem, atualmente, quatro vias de acesso, cada uma adequada a um perfil de utilizador distinto:

1. Portal web do AlphaGenome Atlas — acesso sem qualquer programação, indicado para consulta pontual de variantes já cobertas pelo catálogo pré-computado de 9 mil milhões de variantes.

2. API cliente (repositório alphagenome no GitHub) — o percurso recomendado para a generalidade dos investigadores, incluindo aqueles com necessidades de pontuação em lote não cobertas pelo Atlas; gratuita para uso não comercial, com o volume de pedidos ajustado à procura.

3. Repositório de investigação (alphagenome_research) — código do modelo em JAX e pesos pré-treinados descarregáveis via Kaggle ou Hugging Face, indicado apenas para quem necessita de execução local, afinação (fine-tuning) do modelo, ou auditoria completa do código, dado o hardware exigente que implica (secção 15.4).

4. Google Cloud / Model Garden — via de acesso comercial já disponível para o modelo base, com acesso comercial ao Atlas anunciado mas ainda sem data confirmada.

15.2. Instalação e primeiro uso da API cliente

A instalação da API cliente é direta:

git clone https://github.com/google-deepmind/alphagenome.git
pip install ./alphagenome

Alternativamente, pip install -U alphagenome instala a versão mais recente publicada. O pacote requer Python 3.10 ou superior, e a documentação recomenda o uso de um ambiente virtual, dado que o cliente exige versões relativamente recentes de grpcio (≥1.67.1, dado o transporte ser gRPC e não REST) e protobuf (≥5.28.3). A chave de API, gratuita para uso não comercial, obtém-se através do formulário de registo da DeepMind.

Um exemplo mínimo de utilização — a previsão do efeito de uma variante sobre a expressão de ARN numa região do cromossoma 22 — segue o padrão publicado pela própria documentação oficial:

from alphagenome.data import genome
from alphagenome.models import dna_client

API_KEY = 'a_sua_chave'
model = dna_client.create(API_KEY)

interval = genome.Interval(chromosome='chr22', start=35677410, end=36725986)
variant = genome.Variant(
    chromosome='chr22', position=36201698,
    reference_bases='A', alternate_bases='C',
)

outputs = model.predict_variant(
    interval=interval,
    variant=variant,
    ontology_terms=['UBERON:0001157'],
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
)

Para um caso de uso de pontuação em lote sobre uma lista de variantes, a função score_variants, combinada com variant_scorers.get_recommended_scorers() e variant_scorers.tidy_scores(), produz diretamente uma tabela tabular com uma linha por pontuação — o ponto de partida natural para qualquer análise em investigação ou triagem.

15.3. Termos de utilização e licenciamento — o que constrange o uso prático

Os termos de utilização do AlphaGenome distribuem-se por três documentos: os Termos Adicionais de Serviço (API e Atlas), os Termos de Utilização dos Parâmetros do Modelo (os pesos descarregáveis) e os Termos de Utilização da Saída (as previsões e qualquer material delas derivado). Vários pontos destes termos têm implicação prática direta:

Restrição a uso não comercial. Os serviços do AlphaGenome não estão disponíveis para entidades comerciais, mesmo quando estas realizam trabalho não comercial; apenas indivíduos e organizações não comerciais (universidades, organizações sem fins lucrativos, institutos de investigação, corpos educativos e governamentais) podem usar os recursos do AlphaGenome, com exceção do AVI Score, que pode ser usado comercialmente, e do jornalismo, explicitamente permitido.

Proibição de uso clínico. Os termos proíbem explicitamente o uso dos serviços ou das saídas do AlphaGenome (com a exceção, novamente, do AVI Score) para fins clínicos, ou como base para aconselhamento médico ou outro aconselhamento profissional; e proíbem especificamente a tomada de decisões em domínios que afetem direitos materiais ou individuais ou o bem-estar de uma pessoa, dando a saúde como exemplo explícito. Esta proibição é reiterada de forma independente na página do Atlas.

Restrição relativa a dados de saúde regulados nos EUA. Os termos proíbem categoricamente transmitir, armazenar ou processar informação de saúde sujeita à regulamentação HIPAA dos Estados Unidos através do serviço alojado — uma restrição jurisdicional, mas que qualquer entidade sujeita a essa regulamentação deve observar rigorosamente antes de submeter coordenadas de variantes à API.

Proibição de treino de modelos concorrentes. As saídas do modelo não podem ser usadas para treinar outros modelos de aprendizagem automática dirigidos à mesma tarefa — a previsão do efeito de variantes genéticas — o que distingue claramente entre usar uma pontuação do AlphaGenome como evidência dentro de uma análise mais ampla (permitido) e usá-la como dado de treino para construir um novo preditor de efeito de variantes (proibido).

Obrigação de atribuição. Qualquer publicação ou distribuição de resultados derivados das saídas do modelo deve incluir aviso de que esses resultados estão sujeitos aos Termos de Utilização da Saída do AlphaGenome.

Regime de licenciamento do código e dos dados. O código-fonte de ambos os repositórios está licenciado sob Apache 2.0; a documentação e os exemplos, sob Creative Commons Attribution 4.0 (CC-BY); e, no repositório de investigação especificamente, os pesos e a generalidade dos restantes materiais estão sob Creative Commons Attribution-NonCommercial 4.0 (CC-BY-NC), com exceção dos próprios dados de treino e avaliação, sujeitos aos termos de utilização específicos de cada consórcio de origem (ENCODE, GENCODE, GTEx, FANTOM5, 4D Nucleome, ClinVar, CAGI, ChromBPNet, MFASS, Open Targets, entre outros).

Continuidade do serviço e responsabilidade. A responsabilidade agregada da Google está limitada a um valor simbólico (500 dólares); o serviço é gratuito atualmente, mas a Google reserva-se o direito de introduzir custos mediante um pré-aviso de pelo menos um mês.

15.4. Requisitos computacionais

Para a via de acesso mais comum — a API alojada — não é necessário qualquer hardware especializado do lado do utilizador: o cálculo decorre nos servidores da DeepMind, e a pontuação de uma variante através do modelo destilado demora cerca de um segundo. O requisito computacional relevante torna-se, nesse cenário, apenas o volume de pedidos e a largura de banda — a documentação oficial descreve a API como adequada para análises de pequena a média escala (milhares de previsões), mas não recomendada para análises que exijam mais de um milhão de previsões, para as quais o Atlas pré-computado é a via mais indicada.

Para quem opta por correr o modelo localmente através do repositório de investigação — necessário para afinação (fine-tuning) sobre dados próprios ou para cenários em que nenhuma coordenada de variante pode sair da instituição — o requisito mínimo recomendado pelos próprios autores é uma GPU NVIDIA H100, com instalação correta de CUDA, cuDNN e JAX; para treino, recomendam-se TPUs v3 ou superiores. Um benchmark comunitário independente publicado em abril de 2026 (Tu, Buendia, Kundaje e Mostafavi, universidades de Washington e Stanford), que testou tanto a implementação oficial em JAX como uma portagem comunitária para PyTorch em sete GPUs NVIDIA distintas, permite precisar melhor este requisito conforme o tipo de tarefa:

Este mesmo trabalho confirma que a inferência e a afinação limitada às cabeças de saída são, na prática, acessíveis à generalidade dos laboratórios com GPUs de gama alta mas não topo de gama, ao passo que a afinação completa dos 450 milhões de parâmetros do modelo a contexto máximo continua a ser, em 2026, uma tarefa reservada a hardware de classe Hopper. Note-se, a título comparativo, que o Borzoi — um modelo bastante mais pequeno, com cerca de 135 milhões de parâmetros — corre de três a cinco vezes mais depressa que o AlphaGenome à mesma resolução, uma diferença de custo computacional a ponderar quando a tarefa em causa não exige as modalidades exclusivas do AlphaGenome.

15.5. Escala e planeamento de quota

Não existe um limite de pedidos por dia publicado para a API alojada; a documentação descreve apenas que o volume de pedidos "varia com a procura". Na prática, isto significa que qualquer fluxo de trabalho de investigação com necessidades de pontuação recorrentes deve ser desenhado em torno de um orçamento de pedidos definido pelo próprio utilizador — por exemplo, triando previamente as variantes a submeter por critérios como raridade populacional e ausência de classificação prévia, e limitando o número de variantes pontuadas por execução a um valor fixo — em vez de assumir uma quota conhecida antecipadamente. Para necessidades de grande escala (mais de um milhão de previsões), a via recomendada deixa de ser a API pedido-a-pedido e passa a ser a consulta direta ao AlphaGenome Atlas, precisamente o problema que este recurso foi desenhado para resolver.

16. Perguntas a que o AlphaGenome pode — e não pode — responder

A título de síntese prática, seguem-se exemplos concretos do tipo de pergunta para o qual o AlphaGenome, tal como documentado e avaliado até à data, constitui uma ferramenta apropriada, e do tipo de pergunta para o qual não o é.

Perguntas às quais o modelo responde com evidência de suporte:

• Esta variante intrónica profunda ou de UTR altera previsivelmente o nível de expressão de um gene próximo, e em que sentido?

• Esta variante cria ou destrói previsivelmente um local de splicing, e altera o padrão previsto de junções (por exemplo, causando exon skipping)?

• Esta variante altera previsivelmente a acessibilidade da cromatina ou a ligação de um fator de transcrição numa região reguladora?

• De entre milhares de variantes não codificantes candidatas associadas a um fenótipo, quais têm o efeito molecular previsto mais atípico, e vale a pena investir recursos de validação laboratorial nelas primeiro?

• Qual o mecanismo molecular plausível por detrás de uma associação genética já observada mas não explicada — por exemplo, a introdução de um novo motivo de ligação de um fator de transcrição?

Perguntas às quais o modelo, com a evidência atual, não responde de forma fiável:

• Esta variante é patogénica? (Pergunta de classificação clínica, fora do âmbito do modelo e vedada pelos seus termos de utilização.)

• Qual o efeito combinado de todas as variantes deste doente sobre a expressão de um gene? (Problema do "genoma pessoal", explicitamente não validado.)

• Qual a magnitude exata do efeito de um elemento regulador situado a 300 mil pares de bases do gene-alvo? (Limitação documentada e confirmada de forma independente.)

• Este achado replica-se num tipo celular não representado nos dados de treino? (Generalização não garantida fora do espaço de treino.)

17. Síntese conclusiva

O AlphaGenome representa um avanço genuíno no domínio da genómica computacional, ao propor, pela primeira vez, um modelo único capaz de unificar contexto sequencial de longo alcance, resolução ao nível do par de bases individual, e desempenho de estado da arte num espectro alargado de tarefas genómicas — capacidade sintetizada pela afirmação do Dr. Caleb Lareau, do Memorial Sloan Kettering Cancer Center, de que o modelo constituiria um marco para o campo científico. Mais de um ano depois do seu lançamento, essa avaliação inicial resistiu razoavelmente ao escrutínio independente: o modelo mantém-se, segundo múltiplas fontes não afiliadas à DeepMind, na fronteira dos modelos genómicos para previsão de efeito não codificante e de splicing, e o lançamento do AlphaGenome Atlas e do AVI Score em setembro de 2026 alargou substancialmente o seu alcance prático, transformando uma ferramenta de consulta variante-a-variante numa infraestrutura de triagem em larga escala.

Subsistem, contudo, limitações que a avaliação independente tornou mais precisas do que na altura do lançamento: a subestimação de efeitos reguladores distais, a incapacidade de modelar de forma fiável efeitos combinatórios num genoma pessoal, a dependência implícita de um estado celular fixo, e a ausência, ainda hoje, de qualquer validação para uso clínico direto — uma restrição tão contratual quanto científica. Para um geneticista clínico ou um investigador em genómica, o AlphaGenome não substitui o CADD, o REVEL, o AlphaMissense ou as ferramentas de splicing já estabelecidas; oferece antes uma camada adicional e genuinamente nova de evidência mecanística sobre o vasto território não codificante do genoma, mais útil como gerador de hipóteses para investigação e triagem do que como árbitro final de qualquer classificação — um instrumento de investigação poderoso, cujo valor clínico permanece, por desenho e por termo contratual, ainda por demonstrar.

Referências

1. Avsec, Ž., Latysheva, N. et al. (2026). "Advancing regulatory variant effect prediction with AlphaGenome." Nature, 649(8099), 1206–1218. DOI: 10.1038/s41586-025-10014-0.

2. Google DeepMind (2025/2026). "AlphaGenome: AI for better understanding the genome." https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/

3. Google DeepMind (2026). "AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome." https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

4. Google DeepMind. Repositório alphagenome (API cliente). https://github.com/google-deepmind/alphagenome

5. Google DeepMind. Repositório alphagenome_research (código de investigação e pesos do modelo). https://github.com/google-deepmind/alphagenome_research

6. Murphy, A. E., Nagai, M. & Koo, P. K. (2026). "Predicting non-coding variant effects with AlphaGenome." Cell Research, 36, 467–468. DOI: 10.1038/s41422-026-01249-1.

7. Murphy, A. E. & Koo, P. K. (2026). "Benchmarking seq2func models on distal enhancer effects with CRISPRi screens." Genomics x AI Blog. https://genomicsxai.github.io/blogs/2026-007/

8. Tu, X., Buendia, A., Kundaje, A. & Mostafavi, S. (2026). "Benchmarking AlphaGenome on NVIDIA GPUs: latency, memory, and feasibility across sequence lengths." Genomics x AI Blog. DOI: 10.5281/zenodo.20272910. https://genomicsxai.github.io/blogs/2026-005/

9. Richardson, T. (2026). "Genomic Foundation Models in 2026: Two Ledgers, and What Survives a Held-Out Test Set." rewire.it. https://rewire.it/blog/genomic-foundation-models-in-2026/

10. Schuler, M. (2026). "Google Launches AlphaGenome Atlas With Predictions for 9 Billion DNA Changes." Implicator.ai. https://www.implicator.ai/google-alphagenome-atlas-9-billion-dna-variants/