AlphaGenome

動画の再生時間: 30 分

AlphaGenome は、Google DeepMind が開発したディープ ラーニング基盤モデルで、ヒトゲノムの DNA 配列の機能的調節効果を予測します。このモデルは、最大 100 万塩基対(1 MB)の DNA 配列を 1 塩基の解像度で分析することで、遺伝子変異が 11 のゲノム モダリティ(遺伝子発現(RNA_SEQ、CAGE、PROCAP)、クロマチン アクセシビリティ(ATAC、DNASE)、ヒストン修飾と転写因子結合(CHIP_HISTONE、CHIP_TF)、RNA スプライシング(SPLICE_SITES、SPLICE_SITE_USAGE、SPLICE_JUNCTIONS)、3D クロマチン コンタクト マップ(CONTACT_MAPS))にわたって分子メカニズムと生物学的メカニズムにどのように影響するかを予測します。

このドキュメントでは、AlphaGenome のハードウェアとデプロイの要件について説明し、Gemini Enterprise Agent Platform でモデルをデプロイしてクエリする方法について説明します。

ハードウェアとデプロイの要件

AlphaGenome のディープ アーキテクチャと 1 MB のコンテキスト ウィンドウにより、モデルには厳格なハードウェアとメモリの要件があります。このセクションでは、次の項目について説明します。

サポートされている VM と GPU の構成

AlphaGenome には少なくとも 1 つのノードが必要です。NVIDIA A100 または H100 アクセラレータを搭載したマシンタイプを使用して、モデルを Agent Platform エンドポイントにデプロイできます。

リクエスト量の増加に対応するために追加の容量が必要な場合は、Agent Platform エンドポイントで自動スケーリングを構成して、ノードを自動的に追加できます。詳細については、自動スケーリングを使用して推論ノードをスケーリングするをご覧ください。

サポートされているアクセラレータとマシンタイプ

必要な 80 GB の GPU メモリを提供する、サポートされている次のマシンタイプから選択します。

  • NVIDIA H100(80 GB): a3-highgpu-1g、a3-highgpu-2g、a3-highgpu-4g、a3-highgpu-8g
  • NVIDIA A100(80 GB): a2-ultragpu-1g、a2-ultragpu-2g、a2-ultragpu-4g、a2-ultragpu-8g
  • NVIDIA H100 Mega(80 GB): a3-megagpu-8g

詳細な仕様については、推論用のコンピューティング リソースを構成するをご覧ください。

割り当て要件

モデルをデプロイする前に、 Google Cloud プロジェクトに、ターゲット リージョンで次の指標に十分な GPU サービング割り当てがあることを確認します。

  • aiplatform.googleapis.com/custom_model_serving_nvidia_h100_gpus
  • aiplatform.googleapis.com/custom_model_serving_nvidia_a100_gpus
  • aiplatform.googleapis.com/custom_model_serving_nvidia_h100_mega_gpus
  • compute.googleapis.com/gpus_per_gpu_family

AlphaGenome をデプロイする

AlphaGenome は、Model Garden からセルフデプロイされたモデルとして利用できます。エンドポイント インフラストラクチャをプロビジョニングし、モデルを Google Cloud プロジェクトにデプロイする詳細な手順については、Model Garden からオープンモデルをデプロイするをご覧ください。

Model Garden には、AlphaGenome の次のサービング バージョンが用意されています。

  • alphagenome-004(デフォルト、統合 gRPC と HTTP): ポート 8081 の HTTP/2 gRPC ストリーミングとポート 8080 の HTTP ストリーミング(streamRawPredict)の両方をサポートする統合コンテナから、7 つの DnaModelService メソッド(predict_sequence、predict_interval、predict_variant、score_variant、score_interval、score_ism_variants、output_metadata)をすべて提供します。
    • 公開(共有エンドポイント)(gRPC): Model Garden でデプロイするときに、[エンドポイント アクセス] で [公開(共有エンドポイント)] を選択して、gRPC ストリーミング(dna_client_grpc.create_vertex_client を使用した PredictionService.StreamDirectRawPredict)を介してモデルをクエリします。gRPC 経由でモデルを呼び出すと、JSON や base64 のシリアル化オーバーヘッドなしで圧縮されたバイナリ テンソル チャンクが直接送信されます。これにより、1 MB のトラック予測のレイテンシが短縮され、in silico 飽和変異誘発(score_ism_variants)などの同時実行性の高いマルチバリアント ワークロードで HTTP ゲートウェイのタイムアウトを回避できます。
    • パブリック(専用エンドポイント)(HTTP): Model Garden にデプロイするときに、デフォルトのパブリック(専用エンドポイント)オプションを保持して、HTTP ストリーミング(dna_client_http.create_http_client を使用する streamRawPredict)を介してモデルをクエリします。これにより、共有エンドポイントの 10 MB の HTTP レスポンス サイズ制限なしで、チャンク化されたバイナリ protobuf ペイロード(proto_b64)がストリーミングされます。
    • フォールドの選択: alphagenome-004 の gRPC クライアントと HTTP クライアントはどちらも、model_version パラメータを使用してモデルのフォールド選択(デフォルトでは ALL_FOLDS、または FOLD_0 から FOLD_3 までの個々のフォールド)をサポートしています。
  • alphagenome-003(レガシー HTTP): ポート 8080 で HTTP/1.1 ストリーミング(streamRawPredict)を介して予測を提供します。既存の HTTP クライアント デプロイとの下位互換性を維持するために引き続き使用できます。

AlphaGenome を使用する

デプロイされた AlphaGenome エンドポイントをプログラムで操作するには、Python SDK を使用します(共有エンドポイントでは gRPC、専用エンドポイントでは HTTP を使用)。

API リファレンス、パラメータ定義、詳細なスキーマについては、公式の AlphaGenome ドキュメントをご覧ください。

前提条件と認証

Agent Platform は、Identity and Access Management(IAM)を使用して、デプロイされたエンドポイントへのアクセスを管理します。実行環境(ローカル ターミナル、VM、Colaboratory など)が、Agent Platform ユーザー(roles/aiplatform.user)IAM ロールを持つサービス アカウントまたはユーザー認証情報で認証されていることを確認します。

使用量(alphagenome-004)

次の例は、Python SDK を使用してデプロイされた alphagenome-004 エンドポイントをクエリする方法を示しています。

Python

SDK をインストールする

AlphaGenome Cloud SDK(alphagenome-004)の wheel ファイルは、GoogleCloudPlatform GitHub リポジトリで入手できます。次のコマンドを実行して、wheel ファイルをダウンロードしてインストールします。

# Download the wheel file
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl

# Install the wheel file
pip install alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl

クライアントを初期化する

モデルをクエリする前に、デプロイされた alphagenome-004 エンドポイントのクライアントを初期化します。gRPC クライアント(GrpcDnaClient)と HTTP クライアント(HttpDnaClient)はどちらも、標準の alphagenome.models.dna_model.DnaModel インターフェースを実装しています。

gRPC ストリーミング経由で alphagenome-004 共有(標準)エンドポイントに接続するには、Agent Platform エンドポイント リソース名を dna_client_grpc.create_vertex_client に渡します。

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_grpc

# Specify the standard (shared) endpoint resource name:
endpoint = "projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"

# Optional: Specify `service_account` for service account impersonation, or
# `model_version` to select a specific fold ("ALL_FOLDS", "FOLD_0", "FOLD_1",
# "FOLD_2", or "FOLD_3").
dna_model = dna_client_grpc.create_vertex_client(
    endpoint=endpoint,
    # service_account="SERVICE_ACCOUNT_EMAIL",
    # model_version=dna_client.ModelVersion.ALL_FOLDS,
)

alphagenome-004 を専用エンドポイントにデプロイした場合は、dna_client_http.create_http_client を使用します。

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http

# Create the HTTP client pointing to the dedicated endpoint streamRawPredict URL.
dna_model = dna_client_http.create_http_client(
    vertex_ai_url="https://ENDPOINT_DNS/v1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID:streamRawPredict",
    # service_account="SERVICE_ACCOUNT_EMAIL",
    # model_version=dna_client.ModelVersion.ALL_FOLDS,
)

DNA 配列のトラックを予測する

predict_sequence を使用して、未加工の DNA 文字列のゲノム モダリティを予測します。

# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')

output = dna_model.predict_sequence(
    sequence=padded_sequence,
    requested_outputs=[
        dna_client.OutputType.CAGE,   # Transcription Start Sites
        dna_client.OutputType.DNASE,  # Chromatin Accessibility
    ],
    ontology_terms=[
        'UBERON:0002048',             # Lung tissue ontology term
    ],
)

# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata

参照ゲノム間隔のトラックを予測する

predict_interval を使用して、参照ゲノムの特定の染色体領域からモダリティを直接予測します。

from alphagenome.data.genome import Interval

# Define a genomic interval and resize it to the 1 MB context window
interval = Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
    name='CYP2B6',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

output = dna_model.predict_interval(
    interval=interval,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114'],  # Right liver lobe
)

ゲノムトラックに対する変異効果を予測する

predict_variant を使用して、一定の間隔でペアの参照(reference)と変異(alternate)トラックの予測を生成します。

from alphagenome.data import genome

interval = genome.Interval(
    chromosome='chr19',
    start=41003816,
    end=41005864,
    strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

variant = genome.Variant(
    chromosome='chr19',
    position=41004840,
    reference_bases='C',
    alternate_bases='T',
)

variant_output = dna_model.predict_variant(
    interval=interval,
    variant=variant,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114'],
)

ref_rna_values = variant_output.reference.rna_seq.values
alt_rna_values = variant_output.alternate.rna_seq.values

変異効果をスコア化する

score_variant を使用して、参照(REF)配列と代替(ALT)変異配列を比較し、遺伝子バリアントの予測効果を要約します。

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the genetic variant
variant = genome.Variant(
    chromosome='chr22',
    position=36201698,
    reference_bases='A',
    alternate_bases='C',
)

# Select the recommended variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']

# Execute the scoring
variant_scores = dna_model.score_variant(
    interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
    variant=variant,
    variant_scorers=[variant_scorer],
)

# Output is returned as a list of AnnData objects containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)

ゲノム間隔をスコア化する

score_interval を使用して、ゲノム領域全体の遺伝子マスク間隔スコアを計算します。

from alphagenome.data import genome
from alphagenome.models import interval_scorers

interval = genome.Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)

interval_scorer = interval_scorers.RECOMMENDED_INTERVAL_SCORERS['RNA_SEQ']

interval_scores = dna_model.score_interval(
    interval=interval,
    interval_scorers=[interval_scorer],
)

print("Interval scores shape:", interval_scores[0].X.shape)

in silico 飽和変異誘発を実行する

score_ism_variants を使用して、ターゲット ism_interval 全体で考えられるすべての単一ヌクレオチド バリアントを評価します。

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the 1 MB sequence context interval and a target 50 bp ISM window
sequence_interval = genome.Interval(
    chromosome='chr19',
    start=41003816,
    end=41005864,
).resize(dna_client.SEQUENCE_LENGTH_1MB)

ism_interval = genome.Interval(
    chromosome='chr19',
    start=41004815,
    end=41004865,
)

dnase_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['DNASE']

ism_scores = dna_model.score_ism_variants(
    interval=sequence_interval,
    ism_interval=ism_interval,
    variant_scorers=[dnase_scorer],
)

print("Number of variants scored:", len(ism_scores))

使用量(alphagenome-003)

Python

SDK をインストールする

AlphaGenome Cloud SDK の Wheel ファイルは、GoogleCloudPlatform GitHub リポジトリで入手できます。Wheel ファイルをダウンロードするには、次のコマンドを実行します。

# Download the whl file using - 
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

# Install the whl file
pip install alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl

クライアントを初期化する

モデルを使用する前に、クライアントを初期化する必要があります。

from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http

# Create the HTTP client pointing to the Agent Platform endpoint.
# The `service_account` parameter is optional and only required if you are 
# choosing to authenticate via service account impersonation.
dna_model = dna_client_http.create_http_client(
    vertex_ai_url=vertex_ai_url,
    # service_account=service_account  # Uncomment to use service account impersonation
)

DNA 配列のトラックを予測する

predict_sequence を使用して、未加工の DNA 文字列のゲノム モダリティを予測します。

# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')

output = dna_model.predict_sequence(
    sequence=padded_sequence,
    requested_outputs=[
        dna_client.OutputType.CAGE,   # Transcription Start Sites
        dna_client.OutputType.DNASE,  # Chromatin Accessibility
    ],
    ontology_terms=[
        'UBERON:0002048',             # Lung tissue ontology term
    ]
)

# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata

参照ゲノム間隔のトラックを予測する

predict_interval を使用して、参照ゲノムの特定の染色体領域からモダリティを直接予測します。

from alphagenome.data.genome import Interval

# Define a genomic interval and resize it to the 1Mb context window
interval = Interval(
    chromosome='chr19',
    start=40991281,
    end=41018398,
    strand='.',
    name='CYP2B6'
).resize(dna_client.SEQUENCE_LENGTH_1MB)

output = dna_model.predict_interval(
    interval=interval,
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
    ontology_terms=['UBERON:0001114']  # Right liver lobe
)

変異効果をスコア化する(in silico 変異誘発)

score_variant を使用して、参照(REF)配列の予測発現と代替(ALT)変異配列の予測発現を比較します。

from alphagenome.data import genome
from alphagenome.models import variant_scorers

# Define the genetic variant
variant = genome.Variant(
    chromosome='chr22',
    position=36201698,
    reference_bases='A',
    alternate_bases='C',
)

# Select the variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']

# Execute the scoring
variant_scores = dna_model.score_variant(
    interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
    variant=variant,
    variant_scorers=[variant_scorer],
    fix_negative_strand=True
)

# Output is returned as an AnnData object containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)

料金

AlphaGenome の利用には有料サブスクリプションが必要です。AlphaGenome の料金については、 Google Cloud セールス スペシャリストにお問い合わせいただくか、 Google Cloudアカウント チームにお問い合わせください。

モデルのホストに使用されるインフラストラクチャ(Agent Platform エンドポイントやモデルがデプロイされている GPU インスタンスなど)の費用はお客様の負担となります。詳細については、Agent Platform の料金をご覧ください。

制限事項

AlphaGenome には次の制限があります。

  • 研究目的でのみ使用: AlphaGenome はリサーチツールであり、臨床診断での使用を目的としたものではなく、承認もされていません。
  • 1 MB のコンテキスト ホライズン: 1 つの予測クエリで、1 MB を超える距離で発生するゲノム相互作用をキャプチャすることはできません。
  • ファインチューニングのサポートなし: AlphaGenome は、非公開のトレーニング データセットでのファインチューニングをサポートしていません。このモデルは推論にのみ使用できます。

科学リファレンス ディレクトリ

科学コミュニティとデベロッパー コミュニティをサポートするため、次の表に AlphaGenome の主な参考資料、文献、リソースを示します。

リソースの種類 タイトルとリンク 説明
審査済みの論文 Advancing regulatory variant effect prediction with AlphaGenome、Nature(2026 年 1 月) モデルのアーキテクチャ、評価、パフォーマンス ベンチマークを詳しく説明した、主要な科学論文。
プレプリント記事 AlphaGenome: 統合 DNA 配列モデルによる制御変異効果予測の進歩、bioRxiv(2025 年 7 月) 査読前の最初の原稿。
お知らせ AlphaGenome: AI for better understanding the genome、Google DeepMind ブログ(2025 年 6 月) このモデルがゲノミクスに与える影響の概要を説明する、リリースに関するブログ投稿。
API ドキュメント AlphaGenome のドキュメント Python SDK と HTTP API スキーマの技術ドキュメント。
解説動画 AlphaGenome: ゲノムをより深く理解するための AI モデルの機能と基本的なインタラクション フローの概要を説明する動画。(動画の再生時間: 30 分)
クイックスタート ノートブック AlphaGenome クイックスタート Colab ノートブック SDK の初期化と変異効果スコアリングの実行可能な例を提供するノートブック。

サポートとフィードバック

AlphaGenome のサポートは、次の方法で受けることができます。

  • ゲノム科学とモデル出力のサポート: 生物学、モデル予測、解釈可能性について議論する場合や、Google DeepMind と連携する場合は、alphagenomecommunity.com の公開 AlphaGenome コミュニティ フォーラムに参加してください。
  • インフラストラクチャとプラットフォームのサポート: Google Cloudの割り当て、アクセラレータ、クライアント ライブラリの問題、課金に関する質問については、Google Cloud アカウント チームにお問い合わせいただくか、Cloud カスタマーケアでケースを登録してください。